論文の概要: Time-Aware World Model for Adaptive Prediction and Control

• arxiv url: http://arxiv.org/abs/2506.08441v1
• Date: Tue, 10 Jun 2025 04:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.468325
• Title: Time-Aware World Model for Adaptive Prediction and Control
• Title（参考訳）: 適応予測と制御のための時間認識世界モデル
• Authors: Anh N. Nhu, Sanghyun Son, Ming Lin,
• Abstract要約: Time-Aware World Model (TAWM) は、時間力学を明示的に組み込んだモデルベースのアプローチである。 TAWMは様々な制御問題にまたがる高頻度および低周波のタスクダイナミクスを学習する。 経験的評価は、TAWMが従来のモデルより一貫して優れていることを示している。
• 参考スコア（独自算出の注目度）: 20.139507820478872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we introduce the Time-Aware World Model (TAWM), a model-based approach that explicitly incorporates temporal dynamics. By conditioning on the time-step size, {\Delta}t, and training over a diverse range of {\Delta}t values -- rather than sampling at a fixed time-step -- TAWM learns both high- and low-frequency task dynamics across diverse control problems. Grounded in the information-theoretic insight that the optimal sampling rate depends on a system's underlying dynamics, this time-aware formulation improves both performance and data efficiency. Empirical evaluations show that TAWM consistently outperforms conventional models across varying observation rates in a variety of control tasks, using the same number of training samples and iterations. Our code can be found online at: github.com/anh-nn01/Time-Aware-World-Model.
• Abstract（参考訳）: 本研究では,時間的ダイナミクスを明示的に組み込んだモデルベースアプローチであるTAWM(Time-Aware World Model)を紹介する。 時間ステップのサイズ、 Delta}t を条件にし、一定の時間ステップでサンプリングするのではなく、様々な範囲の {\Delta}t 値をトレーニングすることで、TAWM は様々な制御問題にまたがる高頻度タスクと低周波タスクのダイナミクスを学習する。 最適なサンプリングレートはシステムの基盤となるダイナミクスに依存するという情報理論的な洞察に基づいて、この時間認識の定式化は性能とデータ効率の両方を改善する。 実験的な評価では、TAWMは様々な制御タスクにおいて、同じ数のトレーニングサンプルとイテレーションを使用して、様々な観察率で従来のモデルよりも一貫して優れていた。 私たちのコードは、github.com/anh-nn01/Time-Aware-World-Modelでオンラインで見られます。

関連論文リスト

• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
  医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。 本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:27:46Z)
• Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
  本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。 我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。 また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T05:38:17Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
  PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。 提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。 我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
  論文  参考訳（メタデータ） (2021-04-30T13:00:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。