What Should World Models Forget? Stratified Retention for Continual Adaptation

{"tags": ["World Models", "Continual Learning", "Stratified Retention", "Differential Retention", "Catastrophic Forgetting", "Concept Drift"], "risks": ["Khó khăn trong việc định nghĩa và phân tách ranh giới rõ ràng giữa tri thức bất biến và dữ kiện tạm thời trong các môi trường phức tạp.", "Nguy cơ suy giảm tri thức vật lý bất biến nếu cơ chế cập nhật dữ kiện động làm rò rỉ gradient không mong muốn.", "Gia tăng chi phí tính toán khi phải duy trì kiểm thử hồi quy liên tục trên dòng dữ liệu thích ứng (adaptation stream)."], "category": "Research", "entities": ["World Models", "Differential Retention", "Stratified Retention"], "summary_vi": "Nghiên cứu chỉ ra nghịch lý trong continual learning áp dụng cho world models: việc xóa bỏ dữ liệu cũ không phải là lỗi mà là tất yếu khi môi trường thay đổi. Tác giả đề xuất khung 'stratified retention' phân tầng tri thức thành bất biến (như vật lý) và dữ kiện động, đồng thời giới thiệu thước đo 'differential retention' đánh giá song song độ bền tri thức bất biến và độ trễ cập nhật thay vì dùng các thang đo quên truyền thống vốn thiên vị mô hình đóng băng.", "key_changes": ["Tái định nghĩa việc quên trong continual learning cho world models: việc loại bỏ thông tin lỗi thời khi môi trường thay đổi là yêu cầu bắt buộc chứ không phải lỗi catastrophic forgetting.", "Đề xuất phân tầng duy trì (stratified retention) theo thang thời gian bất biến: tách biệt tri thức bất biến (quy luật vật lý, tính vĩnh cửu của vật thể) khỏi các dữ kiện động cấp thực thể cần sửa đổi liên tục.", "Chỉ ra lỗ hổng của các thước đo forgetting hiện tại: các metric chuẩn không phân biệt được việc sửa đổi dữ kiện cũ với quên thảm họa, dẫn đến việc xếp hạng cao nhất cho các mô hình đóng băng (frozen models).", "Đề xuất phương pháp đo lường differential retention: kết hợp kiểm thử hồi quy các đặc tính bất biến song song với đo lường độ trễ cập nhật (revision latency) mà không gộp chung chỉ số."], "sub_category": "World Models & Continual Learning", "novelty_score": 82, "business_score": 55, "research_score": 88, "why_it_matters": "Khung lý thuyết này giải quyết điểm mù nghiêm trọng trong việc đánh giá và phát triển world models: chuẩn đo lường cũ trừng phạt các mô hình biết thích ứng và thưởng cho mô hình đóng băng. Giải pháp phân tầng duy trì giúp kỹ sư và nhà nghiên cứu xây dựng các mô hình nhận thức thế giới có khả năng thích ứng linh hoạt với thực tế mà không đánh mất nền tảng vật lý cơ bản.", "developer_score": 62, "importance_score": 78, "possible_use_cases": ["Thiết kế và đánh giá các world models trong robot tự hành hoạt động ở môi trường thực tế biến động.", "Xây dựng hệ thống xe tự hành có khả năng thích ứng với biến đổi công trường/thời tiết nhưng vẫn bảo toàn tuyệt đối các quy tắc vật lý cốt lõi.", "Đánh giá benchmark định kỳ cho các hệ thống digital twin và mô phỏng vật lý đa tác tử."], "actionability_score": 65}