arXivで公開された機械学習論文「汎用継続学習のための脳に着想を得た階層的モジュール性（Brain-Inspired Hierarchical Modularity for General Continual Learning）」は、Hongwei Yan氏ら10名の著者による研究成果である。2026年9月21日に投稿され、arXiv番号は2609.25146v1、DOIは10.48550/arXiv.2609.25146、論文は50ページで、カテゴリはcs.LGおよびcs.AIに分類されている。
継続学習は、逐次的な経験から学びながら、以前の知識を保持・適応させる能力であり、変化する環境で動作する知能システムの中心課題である。しかし従来の継続学習は、オフラインでのタスク単位の訓練と明確なタスク境界を前提とすることが多く、オンラインで不確実かつ進化し続けるデータストリーム下の汎用継続学習とは大きな隔たりがある。
このような状況では、知能システムは競合する経験を分離して干渉を減らす一方で、両立する経験を統合して汎化を促す必要がある。研究チームはショウジョウバエの学習・記憶システムの組織に着想を得て、専門家特化とアンサンブル統合によってこの二つの機能を調整する階層的モジュール性の原理を同定した。
論文では、この原理を事前学習済み基盤モデルの軽量なモジュール適応として具体化している。脳に着想を得たランダム拡張によって専門家ルーティングを行い、空間・時間スケールにわたる多様なモジュール統合を組み合わせることで、基盤モデルの汎用能力を保ちつつ、新たに到来するデータに適応することを狙う。
評価は視覚認識、視覚言語理解、一人称・三人称（ego-exo）動画理解、身体化視覚言語行動（VLA）学習を対象とする。オンラインかつ不確実なデータストリーム下で一貫した学習改善が見られ、特に身体化マニピュレーションでは、リプレイを用いない代替手法と比べて50パーセントポイントを超える向上を達成した。
著者らは、これらの知見が、動的な経験から学ぶための生物学的に根拠のある道筋として階層的モジュール性を支持すると結論づけている。論文はPDF、実験的HTML、TeXソースなどの全文リンクを提供し、現行版はv1で、投稿日時は2026年9月21日07:07:06 UTC、ファイルサイズは約7,727 KBである。引用表記はarXiv:2609.25146 [cs.LG]で、arXivのライセンス情報も付されている。