FETA：反馈高效的视觉语言导航测试时自适应

FETA 用分层选择与单步二元反馈减少 VLN 测试时自适应的人工干预。

资讯摘要

论文提出 FETA，一种面向视觉与语言导航（VLN）的反馈高效测试时自适应方法。针对现有熵最小化方法易沿轨迹传播错误、以及人工反馈按轨迹统一步级监督导致利用低效的问题，作者引入分层样本选择：先筛选归一化策略熵波动大的轨迹，再用熵梯度显著性准则定位关键动作，仅对其查询一次二元正确性反馈，并只在被查询步更新策略，按预测与反馈差异自适应加权。作者报告在多个基准上以更少人工干预取得最优性能，并在噪声反馈与持续自适应下保持稳健。

要点速读

1. 论文指出无监督熵最小化在 VLN 测试时自适应中会沿轨迹传播错误，造成级联失败。
2. FETA 用分层样本选择定位信息量大的轨迹与关键动作，仅查询单次二元反馈。
3. 作者报告在多个基准上以更少人工干预达到最优性能，并对噪声反馈和持续自适应保持稳健。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。