生长-剪枝-冻结网络：用于嗅觉导航的自适应与持续学习技术
机器学习
2026-05-26 v1 人工智能
新兴技术
机器人学
摘要
嗅觉训练数据分散在非标准化的不同数据集中，限制了构建代表性世界模型的能力。嗅觉导航是一项高度动态且非平稳的任务，受益于实时持续学习。我们引入了一种称为生长-剪枝-冻结（GPF）网络的自适应框架，使智能体能够通过根据世界复杂性生长、剪枝和冻结其策略的早期层来持续学习。将GPF建立在非线性随机矩阵理论基础上，我们表明Pennington & Worth（2017）的工作可以从单隐藏层扩展到n层持续学习模型，并且网络权重的特征值组成在添加连续层时得以保持。我们表明，基于期望SARSA的GPF在湍流羽流导航上达到了94%的成功率——这是一个部分可观测、非平稳的任务，代表了激发机器人自适应学习的“大世界”挑战——并为在其他世界模型中应用GPF提供了支持性方法。进一步的实验提供了证据，表明GPF可能很好地泛化到其他机器学习任务，例如Atari游戏中的强化学习、图像分类和自回归语言模型。我们开源所有代码和数据，以鼓励对嗅觉机器人技术的改进和更多研究。
引用
@article{arxiv.2605.25170,
title = {Grow-Prune-Freeze Networks: Adaptive & Continual Learning Technique for Olfactory Navigation},
author = {Kordel K. France and Ovidiu Daescu},
journal= {arXiv preprint arXiv:2605.25170},
year = {2026}
}