DRAP：无回放持续学习新方法，OpenVLA子网络测试

Oswaldo Ludwig 提出 DRAP（Dynamics-Risk Adaptive Plasticity），一种面向物理AI持续学习的无回放方法，并在 OpenVLA 的固定子网络上评估。该方法用局部轨迹放大风险加权的样本级动作梯度估计张量历史重要性：对专家状态-动作转移拟合岭正则化局部线性模型，以状态转移矩阵最大奇异值给出与策略无关的一步扰动放大估计；每个任务结束后累积风险加权平方梯度，后续任务据此缩放各张量的有效 AdamW 学习率。 评估在 KappaTune 选定的 OpenVLA 固定子网络上进行，跨 LIBERO 的 Spatial、Object、Goal 三个套件做无回放顺序适应。作者称，与标准 AdamW 微调和 EWC 相比，DRAP 在保持较强新套件习得的同时，对先前已学行为的保留明显更好。该工作为 arXiv 预印本，结果尚未经同行评议或独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。