論文の概要: Few-Shot Adaptation to Non-Stationary Environments via Latent Trend Embedding for Robotics

• arxiv url: http://arxiv.org/abs/2603.10373v1
• Date: Wed, 11 Mar 2026 03:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.765769
• Title: Few-Shot Adaptation to Non-Stationary Environments via Latent Trend Embedding for Robotics
• Title（参考訳）: ロボット用ラテントトレンド埋め込みによる非定常環境へのFew-Shot適応
• Authors: Yasuyuki Fujii, Emika Kameda, Hiroki Fukada, Yoshiki Mori, Tadashi Matsuo, Nobutaka Shimada,
• Abstract要約: 本稿では,非定常環境における少数ショット適応のための潜在トレンドIDベースのフレームワークを提案する。 我々は時間的正則化と、潜伏空間の滑らかな進化を強制する状態遷移モデルを導入する。
• 参考スコア（独自算出の注目度）: 2.6989861363357
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Robotic systems operating in real-world environments often suffer from concept shift, where the input-output relationship changes due to latent environmental factors that are not directly observable. Conventional adaptation methods update model parameters, which may cause catastrophic forgetting and incur high computational cost. This paper proposes a latent Trend ID-based framework for few-shot adaptation in non-stationary environments. Instead of modifying model weights, a low-dimensional environmental state, referred to as the Trend ID, is estimated via backpropagation while the model parameters remain fixed. To prevent overfitting caused by per-sample latent variables, we introduce temporal regularization and a state transition model that enforces smooth evolution of the latent space. Experiments on a quantitative food grasping task demonstrate that the learned Trend IDs are distributed across distinct regions of the latent space with temporally consistent trajectories, and that few-shot adaptation to unseen environments is achieved without modifying model parameters. The proposed framework provides a scalable and interpretable solution for robotics applications operating across diverse and evolving environments.
• Abstract（参考訳）: 現実の環境で動作しているロボットシステムは、直接観測できない潜在的環境要因により、入出力関係が変化する概念シフトに悩まされることが多い。 従来の適応手法はモデルパラメータを更新するが、これは破滅的な忘れ込みと高い計算コストを引き起こす可能性がある。 本稿では,非定常環境における少数ショット適応のための潜在トレンドIDベースのフレームワークを提案する。 モデル重みを変更する代わりに、モデルパラメータが固定されたままのバックプロパゲーションにより、トレンドIDと呼ばれる低次元環境状態が推定される。 サンプルごとの潜伏変数による過度な適合を防止するために,潜伏空間のスムーズな進化を強制する時間的正規化と状態遷移モデルを導入する。 定量的食品把握タスクの実験では、学習されたトレンドIDは時間的に一貫した軌道を持つ潜在空間の異なる領域に分散しており、未知の環境へのわずかな適応はモデルパラメータを変更することなく達成されることを示した。 提案するフレームワークは、多様な進化環境で動作するロボットアプリケーションに対して、スケーラブルで解釈可能なソリューションを提供する。

関連論文リスト

• Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments [61.62036321848316]
  グラフニューラルネットワーク(GNN)は、動的グラフ上の空間的パターンと時間的パターンを利用する際、顕著な成功を収めている。 既存のGNNは、動的シナリオでは避けられない分散シフトの下での能力の低下を示す。 本稿では環境対応不変パターン認識によるグラフ一般化(Evoal)の進化のための進化型グラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T08:22:29Z)
• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• Nonstationary Time Series Forecasting via Unknown Distribution Adaptation [22.915008205203886]
  環境が進化するにつれて、時間分布シフトは時系列予測性能を低下させる可能性がある。 均一分布シフトを仮定して定常成分と非定常成分をアンタングルする手法もあるが、分布変化が未知であることから現実的ではない。 非定常時系列予測のためのtextbfUnknown textbfDistribution textbfAdaptation (textbfUDA) モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:16:12Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• Towards Fair Disentangled Online Learning for Changing Environments [28.207499975916324]
  オンライン学習における環境変化は、学習パラメータが環境に固有の部分的変化に起因していると論じる。 本稿では,各時点に収集したデータを2つの表現で切り離すことができるという仮定の下で,新しいアルゴリズムを提案する。 新たな後悔は、動的および静的な後悔の指標の混合形式と、公平性に配慮した長期的制約を伴って提案される。
  論文  参考訳（メタデータ） (2023-05-31T19:04:16Z)
• Variational Dynamic for Self-Supervised Exploration in Deep Reinforcement Learning [12.76337275628074]
  本研究では,条件付き変分推論に基づく変動力学モデルを提案し,多モード性および生成性をモデル化する。 環境遷移の負の対数類似度の上界を導出し、その上界を探査の本質的な報酬として利用する。 提案手法は,最先端の環境モデルに基づく探索手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-17T09:54:51Z)

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。