CABA提出持续适应中的模型行为保留认证框架

Ahanaf Hasan Ariq 和 Abrar Shahid 提出 Certified Anchor-Based Adaptation（CABA），通过历史锚点和前向 KL 散度约束，在模型持续适应更新后认证其受保护行为是否得到保留。该机制将历史观测保留在候选模型优化之外，比较新旧策略在固定表征上的行为差异，并选择满足最坏锚点散度预算的最大更新插值系数。有限检查不需要动作标签或完整轨迹。 在 UCI Human Activity Recognition 数据集的受控实验中，作为非平稳传感器策略的代理测试，预算 ε=0.05 时，CABA 将平均遗忘率从无约束适应的 1.01% 降至 0.00%，但最终平均准确率也从 93.04% 降至 88.48%。研究指出，在满足表征覆盖和 Lipschitz 条件的前提下，接受的更新可获得受保护支持集上的统一行为散度界限。实验体现了行为保留与适应能力之间的权衡，尚不能证明该方法在基础模型或机器人任务中的表现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。