Kontinuierliches Lernen kausaler Modelle via dynamische Prädikaten-Erfindung

Eine neue Veröffentlichung auf arXiv (2602.17217v1) präsentiert einen innovativen Ansatz, der es Agenten ermöglicht, die Logik ihrer Umgebung effizient zu internalisieren. Traditionelle Weltmodellierungsverfahren leiden häufig unter Stichprobenineffizienz, mangelnder Transparenz und schlechter Skalierbarkeit – Probleme, die hier gezielt adressiert werden.

Der vorgeschlagene Rahmen baut symbolische kausale Weltmodelle vollständig online auf, indem kontinuierliches Lernen und Reparatur direkt in den Entscheidungsprozess des Agenten integriert werden. Durch den Einsatz von Meta-Interpretivem Lernen und dynamischer Prädikaten-Erfindung werden semantisch sinnvolle und wiederverwendbare Abstraktionen entdeckt, die es dem Agenten erlauben, eine hierarchische Struktur aus entkoppelten, hochwertigen Konzepten aus seinen Beobachtungen zu bilden.

In Experimenten zeigt sich, dass dieser Ansatz der „lifted inference“ in komplexen relationalen Domänen skaliert, wo prozedurale Methoden aufgrund combinatorischer Explosion versagen. Gleichzeitig erreicht er Stichproben-effizienz, die um ein Vielfaches höher ist als bei etablierten PPO-basierten neuronalen Baselines.

Diese Arbeit liefert einen vielversprechenden Weg zu transparenten, skalierbaren und äußerst effizienten Weltmodellen, die Agenten in dynamischen Umgebungen leistungsfähiger machen.