論文の概要: From monoliths to modules: Decomposing transducers for efficient world modelling
- arxiv url: http://arxiv.org/abs/2512.02193v1
- Date: Mon, 01 Dec 2025 20:37:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.600991
- Title: From monoliths to modules: Decomposing transducers for efficient world modelling
- Title（参考訳）: モノリスからモジュールへ:効率的な世界モデリングのためのトランスデューサを分解する
- Authors: Alexander Boyd, Franz Nowak, David Hyland, Manuel Baltieri, Fernando E. Rosas,
- Abstract要約: 我々はトランスデューサで表される複雑な世界モデルを分解するフレームワークを開発する。
提案手法は,異なる入力出力サブ空間で動作するサブトランスデューサを導出する。
- 参考スコア（独自算出の注目度）: 74.41506965793417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World models have been recently proposed as sandbox environments in which AI agents can be trained and evaluated before deployment. Although realistic world models often have high computational demands, efficient modelling is usually possible by exploiting the fact that real-world scenarios tend to involve subcomponents that interact in a modular manner. In this paper, we explore this idea by developing a framework for decomposing complex world models represented by transducers, a class of models generalising POMDPs. Whereas the composition of transducers is well understood, our results clarify how to invert this process, deriving sub-transducers operating on distinct input-output subspaces, enabling parallelizable and interpretable alternatives to monolithic world modelling that can support distributed inference. Overall, these results lay a groundwork for bridging the structural transparency demanded by AI safety and the computational efficiency required for real-world inference.
- Abstract（参考訳）: 近年、AIエージェントをトレーニングし、デプロイ前に評価できるサンドボックス環境として、世界モデルが提案されている。
現実の世界モデルは、しばしば高い計算要求を持つが、実世界のシナリオがモジュラーな方法で相互作用するサブコンポーネントを含む傾向があるという事実を活用することで、効率的なモデリングが可能である。
本稿では,POMDPを一般化するモデルのクラスであるトランスデューサによって表現される複雑な世界モデルを分解するフレームワークを開発することにより,このアイデアを探求する。
トランスデューサの構成はよく理解されているが,我々は,分散推論をサポートするモノリシック世界モデリングの並列化および解釈可能な代替手段を実現するために,異なる入力出力サブ空間で動作するサブトランスデューサを導出し,このプロセスを逆転する方法を明らかにした。
全体として、これらの結果は、AIの安全性と現実の推論に必要な計算効率によって要求される構造的透明性を橋渡しするための基礎となる。
関連論文リスト
- World Model Implanting for Test-time Adaptation of Embodied Agents [29.514831254621438]
具体的AIにおいて、永続的な課題は、エージェントが広範なデータ収集や再トレーニングを必要とせずに、新しいドメインへの堅牢な適応を可能にすることである。
本稿では、大規模言語モデルの推論能力と、独立に学習されたドメイン固有世界モデルを組み合わせた世界モデル埋め込みフレームワーク(WorMI)を提案する。
我々は、VirtualHomeとALFWorldのベンチマークでWorMIを評価し、いくつかのLSMベースのアプローチと比較して、ゼロショットと少数ショットのパフォーマンスが優れていることを示した。
論文 参考訳（メタデータ） (2025-09-04T07:32:16Z) - AI in a vat: Fundamental limits of efficient world modelling for agent sandboxing and interpretability [84.52205243353761]
最近の研究は、世界モデルを使用して、AIエージェントをデプロイ前にテストできる制御された仮想環境を生成することを提案する。
評価対象のAIエージェントに非依存な世界モデルを簡単にする方法を検討する。
論文 参考訳（メタデータ） (2025-04-06T20:35:44Z) - Toward Universal and Interpretable World Models for Open-ended Learning Agents [0.0]
オープンエンド学習エージェントをサポートするジェネリック,コンポジション,解釈可能な生成世界モデルについて紹介する。
これは広い範囲のプロセスを近似できるベイズネットワークのスパースクラスであり、エージェントは解釈可能かつ計算にスケーラブルな方法で世界モデルを学ぶことができる。
論文 参考訳（メタデータ） (2024-09-27T12:03:15Z) - Decentralized Transformers with Centralized Aggregation are Sample-Efficient Multi-Agent World Models [106.35361897941898]
本稿では,分散化された局所力学を拡張性のために学習するマルチエージェントRL(MARL)の新たな世界モデルを提案する。
また、集中表現アグリゲーションを可能にする効果的なソリューションとしてPerceiver Transformerを導入する。
Starcraft Multi-Agent Challenge (SMAC) の結果は、サンプル効率と全体的な性能の両方において、強力なモデルフリーアプローチと既存のモデルベース手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-06-22T12:40:03Z) - Universal In-Context Approximation By Prompting Fully Recurrent Models [86.61942787684272]
RNN,LSTM,GRU,Linear RNN,Linear RNN,Line gated Architecturesは,汎用のインコンテキスト近似器として機能することを示す。
完全反復アーキテクチャにコンパイルするLSRLというプログラミング言語を導入する。
論文 参考訳（メタデータ） (2024-06-03T15:25:13Z) - S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。
我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文 参考訳（メタデータ） (2020-07-13T17:44:30Z)
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。