通过动态谓词发明进行因果模型的持续学习与细化
人工智能
2026-02-20 v1
摘要
高效地导航复杂环境需要智能体内化其世界的底层逻辑，但标准的世界建模方法常面临样本效率低、缺乏透明性和可扩展性差等问题。我们提出了一个框架，通过将持续的模型学习和修复集成到智能体的决策循环中，利用 Meta-Interpretive Learning 和谓词发明的力量来构建符号因果世界模型，从而发现具有语义意义且可重用的抽象概念，使智能体能够从观察中构建一层离散且高质量概念的层次结构。我们展示了该升维推断方法在具有复杂关系动态的领域中具有可扩展性，在这些领域中，命题方法会受到组合爆炸的制约，同时实现了比 established PPO 基于神经网络的基线高出数个数量级的样本效率。
引用
@article{arxiv.2602.17217,
title = {Continual learning and refinement of causal models through dynamic predicate invention},
author = {Enrique Crespo-Fernandez and Oliver Ray and Telmo de Menezes e Silva Filho and Peter Flach},
journal= {arXiv preprint arXiv:2602.17217},
year = {2026}
}