当人类纠正跨域传递时：联邦 VLA 适配中的安全性

arXiv:2610.32888v1 公告类型：cross 摘要：视觉-语言-动作（VLA）策略能够适应本地人类干预，而联邦学习可以在不汇总原始记录的情况下，整合分布式机器人经验。我们考察二者潜在的交汇点：跨越不同任务、环境、人员和机器人形态，共享源自多样化人类纠正的适配结果。纠正在模态、安全语义（紧迫性、行为范围等）和隐私敏感性方面各不相同。一个能够提升平均任务成功率的共享更新，可能会压制一次罕见的安全干预，或使另一台机器人产生不安全响应。我们提出三项要求：在决定共享内容时，保留多模态纠正所处的上下文和不确定性；在部署候选更新之前，于每台接收机器人自身的闭环中对其进行评估；在评估安全关键证据保留情况的同时，也评估信息泄漏。人机交互过程中，及时且易于理解的防御行为仍然不可或缺。本文提出反例和一套可证伪的评估议程，而非实验结果。