Bu çalışma, robotların değişen gerçek dünya koşullarına uyum sağlamasında iki farklı öğrenme mekanizmasını karşılaştırmaktadır: deneyimler arasında kalıcı yapısal düzenlilikleri model parametrelerine işleyen Çıkarımsal Yapı Öğrenmesi (Inferred-Structure Learning, IS) ve model parametrelerini değiştirmeden mevcut örneklerden anlık görev kuralı çıkaran Bağlam İçi Öğrenme (In-Context Learning, ICL). Araştırmacılar, MAML tabanlı bir IS ajanı ile küçük bir transformatör tabanlı ICL ajanını aynı destek ve sorgu verileri üzerinde karşılaştırmış; yapısal değişimlerde IS’nin, her bölümde tamamen değişen bağlamsal kurallarda ise ICL’nin üstün olacağını öngören hiyerarşik Bayesçi bir çerçeve geliştirmiştir. On iki kontrollü deneyde sentetik ve robot ölçekli veriler bu tamamlayıcılığı güçlü biçimde desteklemiş; Niryo Ned3 Pro robotundan toplanan 2.400 gerçek proprioseptif gözlemde IS, yapısal değişimler altında ICL’yi anlamlı biçimde geride bırakmıştır. Ancak gerçek robot deneyindeki sınıf etiketleri sentetik olarak atanmış, robotun kapalı çevrim fiziksel görev başarısı ölçülmemiş ve gerçek verideki bağlamsal ICL üstünlüğü istatistiksel anlamlılığa ulaşmamıştır.

Çalışmanın temel sonucu, IS ile ICL’nin birbirinin yerine geçecek rakip teknikler olmadığıdır. IS, birçok deney veya görev boyunca tekrar eden fiziksel ve nedensel yapıları kalıcı parametrelere aktarırken; ICL, tek bir görev sırasında verilen yeni örnekleri, talimatları veya hedef eşlemelerini hızla yorumlamaktadır. Araştırmacılar bu nedenle kalıcı bir dünya modeli, dondurulmuş bir bağlamsal akıl yürütme modülü ve iki çıktıyı koşula göre birleştiren öğrenilmiş bir geçit mekanizmasından oluşan üç katmanlı bir robotik biliş mimarisi önermektedir.

Türkiye açısından ne ifade etmektedir?

Türkiye’de otomotiv, beyaz eşya, savunma, lojistik, tarım teknolojileri ve esnek üretim hatlarında kullanılan robotlar; ürün ağırlığı, sürtünme, ekipman aşınması, çalışma tezgâhı düzeni ve üretim hedefleri gibi değişkenlerle karşılaşmaktadır. Bu çalışma, fiziksel yapıda tekrarlanan değişimlerin uzun dönemli bir yapısal modelle, vardiya veya sipariş bazında değişen talimatların ise bağlam içi çıkarımla yönetilmesini öneren kavramsal bir tasarım ilkesi sunmaktadır.

Türkiye’de uygulanabilirlik için sentetik sınıflandırma deneylerinin ötesine geçilmesi gerekir. Türkçe doğal dil talimatları, yerli üretim hatlarındaki sensör düzenleri, farklı robot markaları, gerçek yük ve sürtünme değişimleri, güvenlik standartları ve fiziksel görev başarı ölçütleriyle kapalı çevrim deneyler yapılmalıdır. Çalışmanın sonuçları, önerilen mimarinin Türkiye’deki robotik sistemlerde doğrudan başarı sağlayacağını kanıtlamaz; hangi değişim türünde hangi uyarlama mekanizmasının önceliklendirilmesi gerektiğine ilişkin sınanabilir bir mühendislik hipotezi sağlar.

Araştırmanın temel sorusu nedir?

Gerçek dünyada çalışan bir robot iki farklı tür belirsizlikle karşılaşabilir. İlkinde çevrenin kalıcı veya tekrarlanan yapısı değişir: yük ağırlığı, eklem sürtünmesi, sensör ilişkileri, çalışma alanının geometrisi veya bir nesnenin fiziksel davranışı farklılaşabilir. İkincisinde fiziksel yapı aynı kalırken mevcut görevin anlamı değişir: operatör yeni bir sıralama kuralı verebilir, renklerin hedeflerle eşleşmesi yeniden atanabilir veya aynı nesneye farklı bir amaç yüklenebilir.

Araştırmacıların sorduğu temel soru şudur: Robot, bu değişimlerin tamamına tek bir uyarlama mekanizmasıyla mı yanıt vermelidir, yoksa uzun dönemli yapısal öğrenme ile kısa dönemli bağlamsal çıkarımı birlikte mi kullanmalıdır?

Çalışmanın hipotezi açıktır:

• Yapısal değişimde, bölümler arasında tekrar eden ortak bir düzen bulunduğu için IS üstün olmalıdır.
• Bağlamsal değişimde, her bölümün kuralı mevcut örneklerden yeniden okunması gerektiği için ICL üstün olmalıdır.
• Karışık koşullarda, iki mekanizmanın çıktısını çevreye göre ağırlıklandıran hibrit bir sistem tek başına kullanılan ajanlardan daha uygun olmalıdır.

Çıkarımsal Yapı Öğrenmesi nedir?

Çıkarımsal Yapı Öğrenmesi, çalışmada standartlaşmış tek bir algoritmanın adı olarak değil; gizli yapısal düzenlilikleri model parametrelerine işleyen yöntemler için bir üst kavram olarak kullanılmaktadır. Meta-öğrenme, dünya modelleri, değişken otoenkoderler, gizli değişkenli pekiştirmeli öğrenme ve temsili öğrenme bu ortak mekanizmanın farklı örnekleri olarak ele alınmaktadır.

Gözlenen veri \(x\) ile gizli yapı \(z\) arasındaki temel üretici ilişki şöyledir:

\[ p(x)=\int p(x\mid z)p(z)\,dz \]

Burada:

• \(x\), görüntü, cümle, robot durumu veya hareket yörüngesi gibi gözlenen veridir.
• \(z\), fiziksel rejim, görev ailesi, çevresel düzen veya nedensel yapı gibi doğrudan gözlenmeyen değişkendir.
• \(p(z)\), olası gizli yapılar üzerindeki önsel dağılımdır.
• \(p(x\mid z)\), belirli bir gizli yapı altında verinin gözlenme olasılığıdır.

Öğrenilebilir parametreler \(\theta\) eklendiğinde model:

\[ p_{\theta}(x)=\int p_{\theta}(x\mid z)p(z)\,dz \]

biçimini almaktadır. Amaç, gözlenen veriyi en iyi açıklayan parametreleri öğrenmektir:

\[ \theta^{*}=\arg\max_{\theta}\mathbb{E}_{p_{data}(x)}[\log p_{\theta}(x)] \]

Gerçek sonsal dağılımın hesaplanması çoğu durumda zor olduğundan, \(q_{\phi}(z\mid x)\) adlı yaklaşık çıkarım modeli kullanılmaktadır. Kanıt Alt Sınırı (Evidence Lower Bound, ELBO) şu biçimde verilmektedir:

\[ \mathcal{L}(\theta,\phi)=\mathbb{E}_{q_{\phi}(z\mid x)}[\log p_{\theta}(x\mid z)]-D_{KL}(q_{\phi}(z\mid x)\parallel p(z)) \]

İlk terim modelin veriyi ne kadar iyi yeniden ürettiğini veya açıkladığını, Kullback-Leibler ayrışımı olan ikinci terim ise öğrenilen gizli uzayın önsel dağılımdan aşırı uzaklaşmasını engelleyen düzenlemeyi temsil eder. IS’nin temel özelliği, kalıcı bilginin model parametrelerine ve gizli temsillere işlenmesidir.

Bağlam İçi Öğrenme nedir?

Bağlam İçi Öğrenme, önceden eğitilmiş bir modelin parametrelerini değiştirmeden, yalnızca mevcut giriş dizisindeki örnekleri kullanarak görevin geçici kuralını çıkarmasıdır. Modelin parametreleri \(\theta\) sabit kalır. \(k\) örnekten oluşan bağlam:

\[ C=\{(x_i,y_i)\}_{i=1}^{k} \]

olarak tanımlandığında yeni sorgunun tahmini:

\[ \hat{y}_{k+1}=f_{\theta}(x_{k+1},C) \]

biçimindedir. Uyum, gradyan güncellemesiyle değil, transformatörün öz-dikkat mekanizmasıyla gerçekleşir:

\[ h_i=Attention(Q_i,K_C,V_C) \]

\(Q_i\) mevcut sorguyu, \(K_C\) bağlam örneklerinin anahtar temsillerini, \(V_C\) ise bu örneklerden alınacak bilgiyi taşır. Model, hangi bağlam örneklerinin mevcut sorguyla ilişkili olduğunu dikkat ağırlıklarıyla belirlemektedir.

Bu süreç Bayesçi açıdan görev parametresi \(\phi\) üzerindeki geçici bir sonsal dağılımın yaklaşık hesaplanması olarak ifade edilmektedir:

\[ p(y\mid x,C)\approx\int p_{\theta}(y\mid x,\phi)q(\phi\mid C)\,d\phi \]

Bağlam kaldırıldığında bu uyarlama da kaybolur. Bu nedenle ICL hızlı ve parametre güncellemesizdir; ancak tek başına yeni yapısal bilgiyi kalıcı belleğe dönüştürmez.

IS ile ICL arasındaki temel farklar nelerdir?

Birleşik Bayesçi çerçeve nasıl kurulmaktadır?

Çalışma iki yaklaşımı aynı hiyerarşik çıkarım sürecinin farklı zaman ölçeklerindeki bileşenleri olarak ifade etmektedir:

\[ p(y\mid x,D)=\int p_{\theta}(y\mid x,\phi)q_{\theta}(\phi\mid D)\,d\phi \]

\(D\), IS açısından uzun dönemli eğitim verisini; ICL açısından ise kısa dönemli bağlam örneklerini temsil edebilir. IS, kalıcı önseli ve yapısal temsil kapasitesini oluştururken; ICL bu önseli mevcut görevin örnekleri üzerinde hızlı biçimde kullanmaktadır.

Birinci teorem: IS hangi koşullarda yakınsar?

Birinci teorem, yapısal gürültü altında MAML tabanlı IS ajanının meta-parametrelerinin ne kadar hızlı yakınsayabileceğini açıklamaktadır. Bölüm başına yapısal sapmanın \(\varepsilon\) ile sınırlı, kayıp fonksiyonunun \(L\)-Lipschitz ve \(\mu\)-kuvvetli dışbükey olduğu varsayılmaktadır.

Ana metindeki sınır şöyledir:

\[ \|\theta_T-\theta^{*}\|\leq(1-\eta\mu)^T\|\theta_0-\theta^{*}\|+\frac{\eta L\varepsilon}{\mu} \]

Burada:

• \(\theta_T\), \(T\) meta-güncellemeden sonraki parametrelerdir.
• \(\theta^{*}\), görev ailesi için en iyi meta-başlangıç değeridir.
• \(\eta\), öğrenme oranıdır.
• \(\mu\), kuvvetli dışbükeylik katsayısıdır.
• \(L\), düzgünlük veya Lipschitz katsayısıdır.
• \(\varepsilon\), bölümler arasındaki yapısal gürültü üst sınırıdır.

İlk terim güncelleme sayısıyla geometrik olarak küçülür. İkinci terim, yapısal gürültü nedeniyle sıfıra indirilemeyen hata tabanını temsil eder. Ancak ek kanıttaki geometrik seri işlemi \(L\varepsilon/\mu\) sonucunu üretirken teoremin ana ifadesinde \(\eta L\varepsilon/\mu\) yazılmıştır. İncelenen sürüm bu fark için tutarlı bir matematiksel açıklama sunmamaktadır.

İkinci teorem: Bağlam büyüdükçe ICL nasıl değişmektedir?

İkinci teorem, \(k\) bağlam örneği alan bir ICL ajanının görevi önceden bilen bir kâhine göre beklenen pişmanlığını sınırlar:

\[ \mathbb{E}[R_{ICL}(k)]\leq\mathcal{O}\left(\frac{d\log M}{k}\right) \]

\(d\), giriş boyutunu; \(M\), olası görev veya etiket eşleme sayısını; \(k\) ise bağlam örneği sayısını temsil eder. Modelin Bayesçi çıkarımı yeterince doğru yaklaştırdığı varsayımı altında bağlam arttıkça pişmanlığın yaklaşık \(1/k\) oranında azalması beklenmektedir.

Bağlam ölçekleme deneyinde \(k\) değeri 4, 8, 12, 16, 24, 32 ve 48 olarak değiştirilmiştir. Bağlamsal değişim koşulunda ICL doğruluğu bağlam büyüklüğüyle tekdüze biçimde artmıştır. Yapısal koşulda da daha fazla örnek ICL’ye yardımcı olmuş, ancak bölümler arasında öğrenilmiş yapısal önseli kullanan IS ajanının gerisinde kalmıştır.

Üçüncü teorem: Hibrit ajan hangi yönteme ne kadar ağırlık vermelidir?

IS ve ICL’nin görev hakkında koşullu olarak bağımsız bilgi sağladığı varsayımında en uygun karışım katsayısı:

\[ \alpha^{*}=\frac{I(z;D_{meta})}{I(z;D_{meta})+I(\phi;C)} \]

olarak verilmektedir. \(I(z;D_{meta})\), IS gizli yapısı ile meta-eğitim verisi arasındaki karşılıklı bilgiyi; \(I(\phi;C)\), ICL’nin geçici görev değişkeni ile bağlam arasındaki karşılıklı bilgiyi temsil eder.

• Yapısal bilgi baskınsa \(\alpha^{*}\) 1’e yaklaşır ve IS ağırlığı artar.
• Bağlamsal bilgi baskınsa \(\alpha^{*}\) 0’a yaklaşır ve ICL ağırlığı artar.

Koşullu bağımsızlık sağlanmadığında kapalı biçimli sonuç geçerli olmayabilir. Araştırmacılar bu durumda destek kümesinin ortalama, varyans ve sınıf entropisi gibi özetlerini kullanarak \(\alpha\) değerini bölüm başına tahmin eden öğrenilmiş bir geçit ağı kullanmıştır.

Robotik kullanım örneği ne anlatmaktadır?

Araştırmacılar, ortak bir masa üzerinde renkli nesneleri farklı hedeflere taşıyan işbirlikçi robot kolu örneğini kullanmaktadır. Fabrika ortamında nesne ağırlığı, sürtünme ve bant hızı değişebilir. Mutfakta fiziksel ortam sabit kalırken tarif nedeniyle nesne-hedef eşlemesi değişebilir. Paketleme istasyonunda ise hem fiziksel koşullar hem de hedef anlamları birlikte değişebilir.

IS ajanı, fiziksel rejimi veya çalışma alanını temsil eden gizli \(z_t\) değişkenini öğrenir:

\[ p_{\theta}(s_{t+1}\mid s_t,a_t,z_t) \]

Politika da mevcut durum ve çıkarılan yapıya göre koşullandırılır:

\[ \pi_{\theta}(a_t\mid s_t,z_t)=\frac{\exp(Q_{\theta}(s_t,a_t,z_t)/\tau)}{\sum_{a'}\exp(Q_{\theta}(s_t,a',z_t)/\tau)} \]

\(\tau\), eylem dağılımının ne kadar rastlantısal olacağını belirleyen sıcaklık katsayısıdır. ICL ajanı ise birkaç örnek hareketten “kırmızı nesne hedef A’ya, mavi nesne hedef C’ye” biçimindeki geçici eşlemeyi çıkarır; model parametrelerini değiştirmeden yeni nesnenin hedefini tahmin eder.

Deney hattı nasıl kurulmuştur?

10. sayfadaki Şekil 2, deney hattını dört aşamada göstermektedir:

1. MAML tabanlı IS ajanı 1.500 meta-eğitim bölümüyle, ICL transformatörü ise 50.000 rastgele sınıflandırma göreviyle eğitilmiştir.
2. Ajanlar yapısal ve bağlamsal değişim ortamlarında sınanmıştır.
3. Her değerlendirme bölümünde aynı 24 destek örneği ve 120 sorgu örneği iki ajana da verilmiştir.
4. Eşleştirilmiş t-testi, Cohen’in \(d\) etki büyüklüğü, bootstrap güven aralığı ve Bonferroni düzeltmesi uygulanmıştır.

11. sayfadaki Şekil 3, IS ajanının destek kümesi üzerinde beş gradyan adımıyla parametrelerini değiştirdiğini; ICL ajanının ise dondurulmuş parametrelerle bağlam dizisine dikkat uyguladığını karşılaştırmalı olarak göstermektedir.

Yapısal ve bağlamsal değişim nasıl ayrılmıştır?

Yapısal değişimde bütün bölümlerin paylaştığı sabit bir temel matris bulunmaktadır:

\[ W_{ep}=W_{base}+\varepsilon,\qquad \varepsilon\sim\mathcal{N}(0,\sigma_{shift}^{2}I) \]

Bu ortamda her görev aynı temel yapının gürültülü sürümüdür. MAML, \(W_{base}\) yapısını bölümler arasında meta-öğrenebilir.

Bağlamsal değişimde ise:

\[ W_{ep}\sim\mathcal{N}(0,I) \]

olacak biçimde her bölüm için tamamen yeni bir matris üretilmektedir. Ortak bir temel bulunmadığından IS’nin bölümler arası önseli yararlı değildir; ICL mevcut destek örneklerinden bölümün eşlemesini okumaktadır.

13. sayfadaki Şekil 4 bu ayrımı mavi yapısal ve kırmızı bağlamsal panellerle göstermektedir. Aynı sayfadaki Şekil 5’te yapısal ortamda IS doğruluğu yaklaşık 0,80 çevresinde, ICL doğruluğu yaklaşık 0,58 çevresinde seyretmektedir. Şekil 6’da bağlamsal ortamda sonuç tersine dönmekte ve ICL ortalama doğruluğu IS’nin üzerine çıkmaktadır.

Gerçek robot deneyinde ne yapılmıştır?

Niryo Ned3 Pro altı eksenli robot kolu, sınırları belirlenmiş bir çalışma alanındaki rastgele Kartezyen konumlara hareket ettirilmiştir:

• \(x\): 0,144-0,385 metre
• \(y\): -0,253 ile 0,253 metre
• \(z\): 0,050-0,100 metre

Her konumda 21 boyutlu gözlem vektörü kaydedilmiştir:

• 6 eklem açısı — radyan cinsinden
• 3 uç-efektör koordinatı — metre cinsinden
• 4 nesnenin uç-efektöre göre üç boyutlu bağıl konumu — toplam 12 değer, metre cinsinden

Pilot aşamada 80 bölümde sekizer gözlemle 640 ölçüm; tam aşamada 200 bölümde on ikişer gözlemle 2.400 ölçüm toplanmıştır. Tam deney yaklaşık 3,3 saat robot çalışmasını kapsamış, 120 bölüm eğitim ve 80 bölüm değerlendirme için kullanılmıştır.

Sınıf etiketleri gerçek kavrama, temas veya hedefe erişme sonucundan elde edilmemiştir. Dört hedef sınıfı şu doğrusal izdüşümle atanmıştır:

\[ y=\arg\max(X_{real}W) \]

Yapısal durumda:

\[ W_i=W_{base}+\varepsilon_i,\qquad \varepsilon_i\sim\mathcal{N}(0,\sigma^{2}I),\quad \sigma=0{,}3 \]

bağlamsal durumda ise:

\[ W_i\sim\mathcal{N}(0,0{,}25I) \]

kullanılmıştır. Bu tasarım, gerçek sensör gürültüsü ve kinematik korelasyonların IS-ICL ayrımını bozup bozmadığını test etmektedir. Fakat robotun tahmin edilen hedefe gerçekten hareket edip başarıyla ulaştığını gösteren kapalı çevrim fiziksel deney değildir.

Çalışmanın ana sonucu nedir?

Sentetik temel deneyde yapısal değişim altında IS ajanının ortalama doğruluğu 0,795, ICL ajanının doğruluğu 0,578 olmuştur. Fark çok büyüktür: \(d=3{,}57\) ve \(p=3{,}1\times10^{-115}\).

Bağlamsal değişimde ICL ortalama 0,641 doğruluğa ulaşırken IS 0,561’de kalmıştır. Etki büyüklüğü \(d=-0{,}99\), düzeltilmiş anlamlılık değeri \(p=2{,}9\times10^{-31}\) olarak bildirilmiştir. Negatif etki büyüklüğü ICL lehine olan farkı göstermektedir.

Robot ölçekli 19 boyutlu benzetimde yapısal üstünlük daha da büyümüş; IS 0,822, ICL 0,514 doğruluk göstermiştir. Bağlamsal koşulda ICL 0,623, IS 0,548 doğruluk elde etmiştir.

Gerçek robot verisinde yapısal koşul için IS 0,794, ICL 0,613 ortalama doğruluğa ulaşmıştır. Eşleştirilmiş test sonucu \(t(79)=5{,}22\), \(p=1{,}42\times10^{-6}\), \(d=0{,}587\) olarak bildirilmiştir. Bu orta büyüklükte ve anlamlı bir IS üstünlüğüdür.

Gerçek verinin bağlamsal koşulunda ICL 0,675, IS 0,609 doğruluk göstermiştir. Yön ICL lehine olmakla birlikte fark anlamlı değildir: \(t(79)=-1{,}58\), \(p=0{,}117\), \(d=-0{,}178\).

Bağlamsal gerçek robot sonucunun zayıflaması nasıl açıklanmıştır?

Araştırmacılar üç neden önermektedir:

• Gerçek robot deneyinde bağlam sayısı \(k=8\), temel sentetik deneyde ise \(k=24\) olmuştur. Daha az örnek, ICL’nin yeni eşlemeyi çözmesi için daha az bilgi sağlamaktadır.
• Eklem açıları, uç-efektör konumu ve bağıl nesne konumları kinematik olarak birbiriyle ilişkilidir. Korelasyon, her bağlam örneğinin taşıdığı bağımsız bilgi miktarını azaltabilir.
• Radyan ve metre ölçeklerini eşitlemek için uygulanan z-skor normalizasyonu sınıflar arasındaki ayrımı sıkıştırabilir.

Bağlam büyüklüğü sekize indirilen ayrı sentetik kontrolde ICL’nin bağlamsal etki büyüklüğü \(-0{,}99\)’dan \(-0{,}41\)’e düşmüş, ancak hâlâ anlamlı kalmıştır. Bu sonuç bağlam sayısının etkili olduğunu desteklemektedir. Gerçek verideki ek düşüş ise sensör gürültüsü, korelasyon ve normalizasyonla ilişkilendirilmiştir.

Hibrit ajan ne göstermiştir?

IS ve ICL sınıf logitleri şu kuralla birleştirilmiştir:

\[ \hat{y}=\arg\max_c[\alpha\,\ell_{IS}(c)+(1-\alpha)\,\ell_{ICL}(c)] \]

\(\alpha=1\) saf IS, \(\alpha=0\) saf ICL anlamına gelir. 15. sayfadaki Şekil 12’de yapısal değişim altında \(\alpha\) arttıkça doğruluğun yükseldiği, bağlamsal değişimde ise düştüğü görülmektedir. Destek kümesinin istatistiklerinden \(\alpha\) tahmin eden küçük geçit ağı, bölümün türüne göre saf IS veya saf ICL’ye yakın ağırlıklar seçmiştir.

Bu sonuç, tek bir sabit karışımın bütün koşullarda en iyi olmadığına işaret etmektedir. Robotun önce değişimin kalıcı yapısal bir değişim mi, yoksa geçici bağlamsal bir değişim mi olduğunu değerlendirmesi gerekir.

Üç katmanlı biliş mimarisi nasıl tasarlanmıştır?

22. sayfadaki Şekil 17, araştırmacıların önerdiği ancak uçtan uca uygulamadığı kavramsal mimariyi göstermektedir:

1. Yapısal Dünya Modeli: RGB-D görüntü, eklem konumu, kuvvet-tork ve çevresel durumdan gizli \(z_t\) temsili öğrenir. Yavaş meta-güncellemelerle çevre dinamiklerini, nesne olanaklarını ve kalıcı ilişkileri biriktirir.
2. Bağlamsal Akıl Yürütme Modülü: Dondurulmuş bir görüntü-dil transformatörü, \(z_t\) yapısal önekini ve güncel bağlamı kullanarak yeni talimatları, kullanıcı tercihlerini ve görev örneklerini parametre güncellemeden yorumlar.
3. Karar ve Kontrol Modülü: Yapısal ve bağlamsal politikaları öğrenilmiş \(\alpha_t\) geçidiyle birleştirir.

Birleşik politika kavramsal olarak:

\[ \pi(a_t\mid s_t,C_t)=\int\pi_{\theta}(a_t\mid s_t,z_t)\,q(z_t\mid D)\,q(\phi\mid C_t)\,dz_t\,d\phi \]

biçiminde ifade edilmektedir. IS uzun dönemli bellek, ICL ise çalışma belleği gibi davranmaktadır. Ancak bu üç katmanlı sistem çalışmada fiziksel robot üzerinde uçtan uca uygulanıp karşılaştırılmamıştır; deney bulgularından türetilmiş bir tasarım önerisidir.

Çalışmanın desteklediği sonuçlar

• Tekrarlanan ortak bir görev yapısının bulunduğu kontrollü deneylerde MAML tabanlı IS, bağlam tabanlı transformatörden belirgin biçimde daha başarılıdır.
• Her bölümde görev eşlemesinin tamamen değiştiği sentetik koşullarda ICL, IS’den daha başarılıdır.
• ICL başarısı, verilen bağlam örneği sayısı arttıkça yükselmektedir.
• IS’nin yapısal üstünlüğü 12 boyutlu sentetik veriden 19 boyutlu robot ölçekli veriye ve 21 boyutlu gerçek proprioseptif veriye aktarılmıştır.
• Doğrusal olmayan sınıflandırma deneyinde de üstünlüklerin yönü korunmuştur.
• Beş farklı rastgele başlangıçta sentetik yapısal ve bağlamsal etki yönleri kararlı kalmıştır.
• Öğrenilmiş geçit ağı, yapısal ve bağlamsal koşullarda farklı IS-ICL ağırlıkları seçebilmiştir.

Çalışmanın kanıtlamadığı sonuçlar

• Önerilen sistem gerçek robotta kapalı çevrim kavrama, yerleştirme veya hedefe erişme başarısı göstermemiştir.
• Sentetik doğrusal sınıf etiketlerinin doğal robot görevlerinin bütün karmaşıklığını temsil ettiği kanıtlanmamıştır.
• Gerçek robot verisinde bağlamsal ICL üstünlüğü istatistiksel olarak doğrulanmamıştır.
• Sonuçlar, bütün IS veya ICL algoritmalarının davranışını temsil etmez; yalnız MAML ve yaklaşık 415-417 bin parametreli küçük transformatör karşılaştırılmıştır.
• Üç katmanlı hibrit biliş mimarisi uçtan uca uygulanmamış ve fiziksel robot üzerinde test edilmemiştir.
• Teorik sınırların güçlü dışbükeylik ve benzeri varsayımları gerçek, doğrusal olmayan robotik sistemlerde tam olarak doğrulanmamıştır.
• Çalışma, büyük dil modeli ölçeğindeki ICL sistemlerinin aynı etki büyüklüklerini göstereceğini kanıtlamaz.
• Uzun dönemli çevrim içi öğrenme, güvenlik, yıkıcı unutma ve hesaplama maliyeti doğrudan ölçülmemiştir.

Çalışmanın Yöntemi ve Bulguları

Ajan mimarileri ve eğitim koşulları

IS ajanının dış döngüsü Adam ile 0,003 öğrenme oranında, ICL ajanı Adam ile \(10^{-3}\) öğrenme oranında eğitilmiştir. Temel sentetik görevler 12 boyutlu giriş, dört sınıf, 24 destek örneği ve 120 sorgu örneği içermektedir.

On iki deneyin kapsamı

Temel sayısal sonuçlar

Alternatif yöntemlerle karşılaştırma

Ridge regresyonunun doğrusal bağlamsal görevde ICL’den az farkla daha yüksek doğruluk göstermesi önemlidir. Bu sonuç, ICL’nin bağlamsal üstünlüğünün her koşulda en iyi sınıflandırıcı olduğu anlamına gelmediğini göstermektedir. Çalışmanın asıl karşılaştırması, bölümler arası parametre öğrenmesi ile bölüm içi bağlam çıkarımı arasındaki mekanizma farkıdır.

Çoklu tohum ve istatistiksel analiz

Beş rastgele başlangıçta yapısal Cohen’in \(d\) değeri ortalama \(3{,}65\pm0{,}24\), bağlamsal değer ise \(-0{,}99\pm0{,}05\) olarak bildirilmiştir. Temel karşılaştırmalarda her koşul için 200 bölüm üzerinde eşleştirilmiş t-testleri, 10.000 yeniden örneklemeli bootstrap yüzde 95 güven aralıkları ve Bonferroni düzeltmesi uygulanmıştır.

Gerçek robot tam deneyinde 80 benzersiz değerlendirme bölümünün kullanıldığı ana metin ve Tablo 5’te açıkça belirtilmektedir. Bununla birlikte 19. sayfadaki Şekil 14’ün içeriği 300 yeniden örneklenmiş değerlendirme bölümü ve farklı doğruluk değerleri göstermektedir. Bu görsel ile ana metin aynı deney sürümünü temsil etmemektedir; sonuçların yorumunda ana metindeki 80 benzersiz bölüm esas alınmalıdır.

Çalışmanın güçlü yönleri

• IS ve ICL’yi aynı destek ve sorgu verileri üzerinde kontrollü biçimde karşılaştırması.
• Yapısal ve bağlamsal değişimi matematiksel olarak açık biçimde ayırması.
• Bağlam büyüklüğü, gürültü, görev karmaşıklığı, doğrusal olmayan sınırlar ve rastgele başlangıçlar için ek kontroller yapması.
• Etki büyüklüğü, eşleştirilmiş test, güven aralığı ve çoklu karşılaştırma düzeltmesi bildirmesi.
• Sentetik veriden gerçek robot algılayıcı verisine aşamalı doğrulama gerçekleştirmesi.
• Gerçek robot deneyinde iki ajana aynı destek ve sorgu bölümlerini vererek adil karşılaştırma kurması.
• Gerçek verideki bağlamsal sonucun anlamlı olmadığını sonuç ve sınırlılıklarda açıkça kabul etmesi.

Çalışmanın sınırlılıkları ve metin içi tutarsızlıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Gerçek robot verisindeki etiketler doğal fiziksel görev sonucundan değil, sentetik doğrusal izdüşümden üretilmiştir.
• Kapalı çevrim robot hareketi, hedefe ulaşma, kavrama veya yerleştirme başarısı değerlendirilmemiştir.
• Gerçek robotun bağlamsal koşulunda ICL farkı anlamlı değildir.
• Özet ve Highlights bölümlerindeki genel \(p<0{,}001\), \(d>0{,}9\) ifadesi gerçek robotun bağlamsal sonucunu kapsamamaktadır.
• Şekil 14 eski veya farklı bir deney hattına ait 300 yeniden örneklenmiş bölümü gösterirken ana metin 80 benzersiz bölüm bildirmektedir.
• Korelasyon değerleri metin içinde 0,299 ve 0,303; yüksek korelasyon eşiği ise 0,5 ve 0,8 olarak iki farklı biçimde yazılmıştır.
• Birinci teoremin ana sınırı ile ek kanıttaki hata tabanı arasında \(\eta\) katsayısı bakımından tutarsızlık vardır.
• Teorik sonuçlar kuvvetli dışbükeylik, düzgünlük, yaklaşık Bayesçi çıkarım ve koşullu bağımsızlık gibi güçlü varsayımlara dayanır.
• IS yalnız MAML, ICL ise küçük bir transformatörle temsil edilmiştir; dünya modeli, büyük dil modeli veya Decision Transformer gibi farklı uygulamalar sınanmamıştır.
• Görevlerin çoğu sınıflandırmadır; sıralı karar verme ve kısmi gözlemlenebilirlik doğrudan test edilmemiştir.
• Önerilen üç katmanlı mimari kavramsaldır ve uçtan uca robot üzerinde doğrulanmamıştır.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Inferred-Structure and In-Context Learning: A Unified Bayesian Framework for Adaptive Robotic Intelligence in Real-world Settings

Yazarlar: Khashayar Ghamati; Abolfazl Zaraki.

Yazar sıralaması: Khashayar Ghamati birinci yazar, Abolfazl Zaraki ikinci yazardır.

Eş birinci yazar: Eş katkı veya eş birinci yazar bilgisi incelenen sürümde yer almamaktadır.

Sorumlu yazar: Khashayar Ghamati. Metindeki yıldız işareti ve iletişim e-postası sorumlu yazarı göstermektedir.

Kurumsal bağlantı: School of Physics, Engineering and Computer Science (SPECS), Robotics Research Group, University of Hertfordshire, College Lane, Hatfield, AL10 9AB, United Kingdom.

ORCID: Khashayar Ghamati — 0009-0002-6416-3127; Abolfazl Zaraki — 0000-0001-6204-7865.

DOI:10.2139/ssrn.7193870

Dergi: Hakemli dergi adı incelenen sürümde yer almamaktadır. Alt bilgide yalnızca “Preprint submitted to Elsevier” ifadesi bulunmaktadır; hangi dergiye gönderildiği açıklanmamıştır.

Yayınevi: Kesinleşmiş özgün yayınevi bilgisi bulunmamaktadır. SSRN bir preprint platformudur ve nihai dergi yayınevi olarak değerlendirilmemelidir.

Yayın platformu: SSRN.

Yayın yılı: 2026.

Kaynak türü: Kuramsal modelleme, kontrollü sentetik deneyler, robot ölçekli veri analizi ve gerçek proprioseptif robot verisi içeren mühendislik araştırması preprinti.

Hakemlik durumu: Bu çalışma bir preprinttir ve hakem değerlendirmesinden geçmemiştir. Sonuçları bu sınırlılık dikkate alınarak okunmalıdır.

Resmî kaynak:SSRN resmî çalışma kaydı.

Sürüm notu: Aynı başlık için 6487278 numaralı eski bir SSRN kaydı da indekslenmektedir. İncelenen sürüm açıkça 7193870 numaralı kayda yönlendirmektedir; iki kayıt arasındaki ilişki metinde açıklanmamıştır.

Veri ve kod beyanı: Araştırmacılar ek materyal, kaynak kod, eğitilmiş modeller ve deney verilerinin çalışmanın proje sayfasında bulunduğunu belirtmektedir. Bu beyan incelenen preprintte yer almaktadır; tüm dosyaların eksiksiz erişilebilirliği bu makale hazırlanırken ayrıca teknik olarak doğrulanmamıştır.

Bu Türkçe açıklama, yüklenen 27 sayfalık çalışmanın metni, matematiksel ifadeleri, tabloları, deney grafikleri, robot görselleri ve ek teorem kanıtları incelenerek hazırlanmıştır. Bilimsel içeriğe çalışma dışında yeni deney sonucu veya başarı iddiası eklenmemiştir. Dış doğrulama yalnızca yazar, kurum, DOI, SSRN kaydı ve yayın durumunun bibliyografik kontrolü için kullanılmıştır.

Çalışmanın gerçek robot bölümü, fiziksel sensör verisi üzerinde öğrenme mekanizmalarını karşılaştırmaktadır; robotun gerçek bir uzanma, kavrama veya yerleştirme görevini kapalı çevrimde tamamladığını göstermemektedir. Önerilen üç katmanlı IS-ICL mimarisi de deneysel olarak uygulanmış nihai bir robot sistemi değil, bulgulardan türetilen kavramsal tasarım önerisidir.