机器人遇上捷径：如何通过大语言模型处理未知不变 OOD 场景
机器人学
2025-11-12 v1
摘要
虽然现有社交机器人检测器在基准数据集上表现良好，但其在多样化现实场景中的鲁棒性仍受限，这源于地面真值的不明确以及各种误导性线索的变化。特别是关于捷径学习（即模型依赖于非因果关联特征而非捕获任务相关特征）的影响在很大程度上未受到关注。为此，我们深入研究了检测器如何受到基于文本特征的潜在捷径的影响，这些特征最容易被社交机器人操控。在本文中，我们设计了一系列捷径场景，通过构建用户标签与浅层文本线索之间的虚假关联来评估模型鲁棒性。结果表明，无关特征分布的变化显著降低了社交机器人检测器的性能，在基线模型中平均相对准确率下降 32\%。为应对这一挑战，我们提出了基于大语言模型的缓解策略，利用反事实数据增强。这些方法从数据和模型三个层面进行缓解，包括单个用户文本和整个数据集层面的数据分布，以及模型提取因果信息的能力。我们的策略在捷径场景下实现了平均相对性能提升 56\%。
引用
@article{arxiv.2511.08454,
title = {Intuitive control of supernumerary robotic limbs through a tactile-encoded neural interface},
author = {Tianyu Jia and Xingchen Yang and Ciaran McGeady and Yifeng Li and Jinzhi Lin and Kit San Ho and Feiyu Pan and Linhong Ji and Chong Li and Dario Farina},
journal= {arXiv preprint arXiv:2511.08454},
year = {2025}
}