論文の概要: Efficient Coordination with the System-Level Shared State: An Embodied-AI Native Modular Framework

• arxiv url: http://arxiv.org/abs/2601.13945v1
• Date: Tue, 20 Jan 2026 13:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.323448
• Title: Efficient Coordination with the System-Level Shared State: An Embodied-AI Native Modular Framework
• Title（参考訳）: システムレベル共有状態との効率的なコーディネート: Embodied-AI Native Modular Framework
• Abstract要約: 本稿では,デカップリングと明示的なシステムレベルのプリミティブを実現するモジュール型フレームワークANCHORを提案する。 ANCHORは、(i)標準化された共有状態の進化可能な契約であるCanonical Recordsを、(ii)多対多の普及とフィードバック指向の調整のための通信バスから分離する。
• 参考スコア（独自算出の注目度）: 5.833654928445309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Embodied AI systems move from research prototypes to real world deployments, they tend to evolve rapidly while remaining reliable under workload changes and partial failures. In practice, many deployments are only partially decoupled: middleware moves messages, but shared context and feedback semantics are implicit, causing interface drift, cross-module interference, and brittle recovery at scale. We present ANCHOR, a modular framework that makes decoupling and robustness explicit system-level primitives. ANCHOR separates (i) Canonical Records, an evolvable contract for the standardized shared state, from (ii) a communication bus for many-to-many dissemination and feedback-oriented coordination, forming an inspectable end-to-end loop. We validate closed-loop feasibility on a de-identified workflow instantiation, characterize latency distributions under varying payload sizes and publish rates, and demonstrate automatic stream resumption after hard crashes and restarts even with shared-memory loss. Overall, ANCHOR turns ad-hoc integration glue into explicit contracts, enabling controlled degradation under load and self-healing recovery for scalable deployment of closed-loop AI systems.
• Abstract（参考訳）: Embodied AIシステムは、研究プロトタイプから現実のデプロイメントに移行するため、ワークロードの変更や部分的な障害の下で信頼性を維持しながら、急速に進化する傾向があります。 ミドルウェアはメッセージを動かすが、共有コンテキストとフィードバックのセマンティクスは暗黙的であり、インターフェースのドリフト、クロスモジュールの干渉、スケールでの不安定なリカバリを引き起こす。 本稿では,デカップリングとロバストネスを明示するシステムレベルのプリミティブを実現するモジュール型フレームワークANCHORを提案する。 AnCHORが分離 i)標準共有状態の進化可能な契約であるカノニカルレコード (2)多対多の拡散とフィードバック指向の協調のための通信バスで、検査可能なエンドツーエンドループを形成する。 特定されていないワークフローのインスタンス化におけるクローズドループの実現性を検証するとともに,ペイロードサイズやパブリッシュレートの異なるレイテンシ分布を特徴付けるとともに,共有メモリ損失があってもクラッシュや再起動後の自動ストリーム再起動を実証する。 全体として、ANCHORはアドホックな統合接着剤を明示的なコントラクトに変換することで、クローズドループAIシステムのスケーラブルなデプロイのために、負荷下での制御された劣化と自己修復リカバリを可能にします。

関連論文リスト

• From Architecture to Binary: Ensuring Cross-Domain Consistency in Model-Based Airborne Software Development [0.8749675983608171]
  本稿では,有人・無人航空機のための空中ソフトウェア開発手法を提案する。 システム、モデルベース機能、組み込みソフトウェアドメイン間の不整合を低減することを目的としている。
  論文  参考訳（メタデータ） (2026-08-28T10:16:36Z)
• REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
  Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
  論文  参考訳（メタデータ） (2026-07-03T06:38:54Z)
• Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy [79.09714980186278]
  非構造化環境で永続的なエンボディエージェントを構築するには、異種ツールの統一的なオーケストレーションが必要である。 我々は,多モーダルなセマンティックプランナを統合したフレームワークであるOmniActを紹介した。 すべての複雑性レベルにわたって、エンドツーエンドの成功において一貫した改善が達成されます。
  論文  参考訳（メタデータ） (2026-06-25T16:36:35Z)
• FLARE: Diffusion for Hybrid Language Model [72.60770374799634]
  FLAREは、ハイブリッドアテンションな大規模言語モデルのための体系的な変換フレームワークである。 トークン平等なAR/拡散目標、ハードウェア対応カーネル、統一推論を組み合わせることで、ひとつのチェックポイントがARスタイルの検証された復号化と拡散スタイルの並列復号化の両方をサポートすることができる。 この結果から,実際のdLLMは復号化アルゴリズムだけでなく,データ品質や現在のブロック拡散目標のトレーニング非効率によって制限されていることが示唆された。
  論文  参考訳（メタデータ） (2026-06-01T06:58:15Z)
• Saliency-Aware Model Merging [47.65036144170475]
  モデルマージは、異なるデータセットに微調整された複数のタスク固有のモデルを、ドメイン間の習熟性を実行する統一アーキテクチャに統合することを目的としている。 現在のデータフリーモデルマージ手法は、層間依存関係や一様でない専門知識の分布を無視した単純なパラメータレベルに依存するため、スケールアップに苦労することが多い。 この研究は、構造的なプルーニング(SynFlowなど)から接続ベースのサリエンシの定式化に基づいて構築され、それらをデータフリーモデルマージ設定に拡張するSA-Mergingを提案する。
  論文  参考訳（メタデータ） (2026-05-30T04:00:44Z)
• Hierarchical Prompt-Domain Control and Learning for Resource-Constrained Agentic Language Models [0.0]
  大規模言語モデルはエージェントシステム内にますます展開されている。 本稿では,要求された出力スキーマを学習するために,まず,コンパクトなモデルを蒸留する階層的な制御・学習フレームワークを提案する。 非階層的,蒸留専用,非蒸留ベースラインに対する信頼性とコスト効率の向上を示す。
  論文  参考訳（メタデータ） (2026-05-26T21:23:30Z)
• A Multi-Agent Consensus Protocol for Stable Software Remodularization [0.0]
  非対称なモノトニック・コンセッション・プロトコル(AMCP)を導入し、エージェントが多属性効用閾値を尊重する分解を交渉できるようにする。 合成ベンチマークとJavaフレームワークに関する予備的な実験は、交渉された合意が最先端の安定性の予算と一致していることを確認します。
  論文  参考訳（メタデータ） (2026-05-05T18:27:02Z)
• IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
  既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。 IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
  論文  参考訳（メタデータ） (2026-04-22T03:03:33Z)
• Runtime Burden Allocation for Structured LLM Routing in Agentic Expert Systems: A Full-Factorial Cross-Backend Methodology [16.053669481561354]
  エージェントAIシステムにおいて、大規模言語モデル(LLM)がコアコントロールコンポーネントになるにつれて、信頼性の高い構造化ルーティングは、正確性、レイテンシ、実装コストのバランスをとる必要がある。 このバランスはプロンプトやスキーマだけでなく、生成スタック全体で構造的な作業がどのように割り当てられるかによっても形作られています。 この定式化は、48のデプロイメント構成と15,552のリクエストをOpenAI、Gemini、Llamaバックエンドでカバーする包括的なフルファクターベンチマークを通じて評価する。
  論文  参考訳（メタデータ） (2026-03-26T18:50:46Z)
• High-Fidelity Network Management for Federated AI-as-a-Service: Cross-Domain Orchestration [0.12234742322758417]
  本稿では,Tail-Risk Envelopes(TRE)に基づく保証指向AI管理プレーンを提案する。 TREは、決定論的ガードレールとレート・レイテンシ・インペアメントモデルを組み合わせた、ドメインごとの構成可能な記述子に署名される。 テナントレベルの予約は,TRE契約下でのテール遅延の増大を防止する。
  論文  参考訳（メタデータ） (2026-02-17T00:40:04Z)
• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• Federated Dialogue-Semantic Diffusion for Emotion Recognition under Incomplete Modalities [13.098852116759929]
  モダリティ回復のためのFedDISC(Federated Dialogue-guided and Semantic-Consistent Diffusion)フレームワークを提案する。 FedDISCは、クライアントで訓練されたモダリティ固有の拡散モデルの連合集約によって、モダリティ完全性への単一サイクル依存を克服する。 IEMOCAP、CMUMOSI、CMUMOSEIデータセットの実験は、FedDISCが様々な欠落したモダリティパターンに対して優れた感情分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2025-11-01T01:00:06Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• DeCoP: Enhancing Self-Supervised Time Series Representation with Dependency Controlled Pre-training [39.30046923897652]
  本稿では、動的でマルチスケールな依存関係を、進化するパッチ間の依存関係をシミュレートすることで、明示的にモデル化する依存性制御事前学習フレームワークを提案する。 DeCoPは、低いコンピューティングリソースを持つ10のデータセットに対して最先端の結果を達成し、わずか37%のFLOPを使用して、PatchTST上のETTh1上でMSEを3%改善する。
  論文  参考訳（メタデータ） (2025-09-18T05:44:06Z)
• STDiff: A State Transition Diffusion Framework for Time Series Imputation in Industrial Systems [2.3895981099137535]
  そこで本研究では,ある状態から次の状態へシステムがどのように進化するかを学ぶために,命令を書き換えるSTDiffを提案する。 STDiffは低いエラーを継続的に達成し、その利点は長いギャップで増大する。 これらの結果は、産業時系列の堅牢なアプローチとして、動的に認識され、明示的な条件付き計算をサポートする。
  論文  参考訳（メタデータ） (2025-08-26T13:14:53Z)
• Modular Delta Merging with Orthogonal Constraints: A Scalable Framework for Continual and Reversible Model Composition [0.0]
  既存のモデルマージと継続的学習へのアプローチは、しばしばタスクの干渉、破滅的な忘れ込み、あるいは可逆性の欠如に悩まされる。 本稿では, 拡張性, 干渉フリー, 微調整モデルの構成が可能な新しいフレームワークである Orthogonal Constraints (MDM-OC) を用いた Modular Delta Merging を提案する。
  論文  参考訳（メタデータ） (2025-07-28T17:08:49Z)
• AutoLayout: Closed-Loop Layout Synthesis via Slow-Fast Collaborative Reasoning [102.71841660031065]
  Autoは、クローズドループの自己検証プロセスをデュアルシステムフレームワークに統合する、完全に自動化された方法である。 Autoの有効性は8つの異なるシナリオで検証され、SOTA法よりも10.1%改善された。
  論文  参考訳（メタデータ） (2025-07-06T08:35:22Z)
• Any Image Restoration via Efficient Spatial-Frequency Degradation Adaptation [158.37640586809187]
  劣化した画像を1つのモデルで効率的に復元することは、ますます重要になっている。 我々のアプローチはAnyIRと呼ばれ、様々な劣化にまたがる固有の類似性を活用する統一された経路をとっています。 劣化認識と文脈的注意を融合させるため,空間周波数並列融合戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-19T09:54:46Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Relational Action Bases: Formalization, Effective Safety Verification, and Invariants (Extended Version) [67.99023219822564]
  我々はリレーショナルアクションベース(RAB)の一般的な枠組みを紹介する。 RABは両方の制限を解除することで既存のモデルを一般化する。 データ対応ビジネスプロセスのベンチマークにおいて、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-08-12T17:03:50Z)

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。