장기 객체 탐색(long-term object search)은 변화하는 환경을 반복적이지만 불균일하게 관측하면서 객체가 주로 어디에 나타나는지 학습해야 합니다. 본 논문에서는 회고적 개방형 어휘 메모리(retrospective open-vocabulary memory)를 중도 절단된 관측값(censored observations)으로부터의 확률적 추론(probabilistic inference) 문제로 정의하며, 핵심 아이디어는 기회당 증거(evidence per opportunity)를 바탕으로 추론하는 것입니다. 즉, 탐지 여부는 로봇이 해당 위치를 관측할 기회에 비례해서만 신념(belief)에 영향을 주어야 합니다. 본 연구에서는 이 원리를 활용하여 질의 시점에만 지정되는 개념에 대한 장기 유병률(long-term prevalence)을 추정하고, 도출된 신념을 능동적 탐색 사전 확률(active-search prior)로 직접 변환하는 ECROM을 제안합니다. 이 문제를 평가하기 위해 반복적인 탐색 경로 전반에 걸쳐 객체 배치와 관측 기회를 독립적으로 변화시키는 10개 HM3D 주택 환경 기반의 통제된 장기 벤치마크(benchmark)를 도입합니다. ECROM은 보류된(held-out) 질의에 대해 각 지표별 가장 강력한 경쟁 메모리 대비 지지 수준 AP(support-level AP)를 4.5점, 탐색 SPL을 4.2점 향상시킵니다. 벤치마크, 데이터셋, 코드는 오픈소스로 공개될 예정입니다. 프로젝트 페이지: https://jiaming.im/ecrom/
매개변수화된 동역학 시스템에서 희귀 영역 발견은 능동 탐색(active-search) 문제이다. 허용 가능한 후보가 희귀하거나 비볼록(nonconvex)이거나 파편화(fragmented)되어 있더라도, 과학적으로 정의된 정성적 임계값이 넘어지는 하나의 검증된 매개변수를 찾아야 한다. 우리는 Quantum-Classical Phase-space and Stability-Threshold Search(QC-PHAST)를 소개한다. 이는 유한 후보 라이브러리를 위한 증거 게이팅 결정 프로토콜이자 쿼리 회계 프레임워크이다. 후보는 동역학 객체, 시뮬레이터로부터 도출된 임계성 점수, 그리고 검증된 최초 적중(first-hit) 술어(predicate)를 유도한다. 과학적 메타데이터와 충전된(charged) 파일럿 증거를 사용하여, 방정식 인식(equation-aware) 탐색, 스칼라 점수 능동 탐색, 술어만(predicate-only) 탐색, 또는 쿼리 모델 비교만이 허용 가능한지 평가한다. 양자 행(row)은 상속된 Grover/Boyer–Brassard–Hoyer–Tapp(BBHT) unknown-$M$ 표시 집합(marked-set) 쿼리 기준(reference)이다. 이는 새로운 양자 탐색 정리, 구현된(materialized) 회로, 또는 하드웨어 가속(hardware-speedup) 주장이 아니다. 결과는 영역 맵(regime map)이다. 직접 경계 구성, 기하학적 제어(geometry controls), 온라인 시뮬레이터 루프, 그리고 학습된 레이블 회계(learned-label accounting)는 고전 구조, 거짓 양성(false positives), 보정(calibration) 비용, 또는 상태 준비(state preparation)가 쿼리 모델 마진을 지우는 시점을 추가로 식별한다. 따라서 QC-PHAST는 유한 풀 표시 집합 기준이 정보를 제공하는 때와 고전적 또는 자원 인식(resource-aware) 탐색이 지배해야 하는 때를 결정하기 위한 감사 가능한(auditable) 프로토콜이다.