What Is Worth Representing? Representational Empowerment for Continual Model Construction
作者: Fei Dai, Hanqi Zhou, Alison Gopnik, Charley Wu
分类: cs.LG, cs.AI
发布日期: 2026-09-02
💡 一句话要点
提出代表性赋能方法以解决持续模型构建问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 持续模型构建 代表性赋能 因果学习 智能代理 符号库 规划领域 动态环境
📋 核心要点
- 核心问题：现有方法在持续模型构建中未能有效决定应表示的元素，导致模型能力受限。
- 方法要点：提出代表性赋能（RepEmp），通过评估候选元素对未来建模能力的扩展来优化模型构建。
- 实验或效果：RepEmp在因果学习任务中表现优越，并在开放词汇规划中实现更好的符号库泛化能力。
📝 摘要（中文）
建模世界的首要问题不仅在于估计正确的参数或因果结构，更在于决定应当表示什么。本文将此问题框架化为持续模型构建：代理维护一个特定环境的模型M，并策划一个可重用的表示元素库L。我们提出代表性赋能（RepEmp）来评估候选元素如何扩展代理未来建模和规划的能力。通过分层的策展者-执行者架构实现该框架，并在三个实验中进行测试。实验结果显示，RepEmp在因果学习任务中优于信息增益替代方案，并在开放词汇规划领域中构建出更紧凑的符号库，具有更好的泛化能力。
🔬 方法详解
问题定义：本文旨在解决持续模型构建中的关键问题，即如何在有限资源下选择和保留有效的表示元素。现有方法往往侧重于参数估计和因果结构，而忽视了表示选择的重要性。
核心思路：提出代表性赋能（RepEmp）作为评估候选表示元素的标准，重点在于其对未来建模和规划能力的扩展，而非单纯的信息增益。这样的设计使得代理能够更灵活地适应不同环境。
技术框架：采用分层的策展者-执行者架构，策展者负责选择和维护表示元素库，执行者则利用这些元素进行建模和规划。该框架通过三个实验验证其有效性。
关键创新：RepEmp的核心创新在于将赋能的定义从对外部状态的控制转变为对内部表示的控制，这一转变使得模型构建更加高效和灵活。
关键设计：在实验中，RepEmp的实现涉及特定的参数设置和损失函数设计，以确保评估的准确性和模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，RepEmp在因果学习任务中显著优于传统的信息增益方法，能够更好地预测目标可达性。此外，在开放词汇规划领域中，RepEmp指导下的策展者构建的符号库在紧凑性和泛化能力上均优于基线方法。
🎯 应用场景
该研究的潜在应用领域包括智能代理、机器人规划和因果推理等。通过优化模型构建过程，RepEmp可以提升智能系统在动态环境中的适应能力，具有重要的实际价值和未来影响。
📄 摘要（原文）
The first problem of modeling the world is not just estimating the right parameters or causal structure, but deciding what should be represented at all. We frame this problem as continual model construction: an agent maintains an environment-specific model M of an inaccessible world W and curates a persistent library L of reusable representational elements across environments. We propose Representational Empowerment (RepEmp) to score candidate elements by how much they expand the agent's future capacity to model and plan, complementing the classic definition of empowerment, but redefined as control over internal representations instead of external states. We realize the framework as a hierarchical Curator-Actor architecture and test it across three experiments. In a closed-vocabulary causal-learning task, human participants construct causal models at varying abstraction granularities to maximize goal reachability rather than fidelity to the world, a signature better predicted by RepEmp than by information-gain alternatives. Matched simulations reveal that RepEmp-guided construction contributes more than exploration to sufficient structure recovery and cross-task transfer. Finally, in an open-vocabulary planning domain, an LLM-augmented Curator builds more compact symbolic libraries, which also generalize better than baselines. Ablating RepEmp eliminates these benefits. Together, these results identify RepEmp as a key principle for continual model construction: deciding what to build, retain, and reuse under bounded resources.