通过动态谓词发明实现因果模型的持续学习与优化

在复杂环境中高效导航需要智能体理解其世界的底层逻辑，而标准世界建模方法常面临样本效率低、透明度不足和可扩展性差的问题。本文提出一种框架，通过将连续模型学习与修复集成到智能体的决策循环中，利用元解释学习和谓词发明技术，发现语义上有意义且可复用的抽象概念，从而构建出层次化的解耦高质量概念体系。实验表明，该方法在具有复杂关系动态的领域中表现优异，其样本效率远高于基于PPO神经网络的基准方法。