論文の概要: Chunk-Boundary Artifact in Action-Chunked Generative Policies: A Noise-Sensitive Failure Mechanism

• arxiv url: http://arxiv.org/abs/2603.11642v1
• Date: Thu, 12 Mar 2026 08:10:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.717348
• Title: Chunk-Boundary Artifact in Action-Chunked Generative Policies: A Noise-Sensitive Failure Mechanism
• Title（参考訳）: 行動強制生成政策におけるチャンク境界アーティファクト:騒音感受性破壊機構
• Authors: Rui Wang,
• Abstract要約: アクションチャンキングは、生成的ビジュモータポリシーの中心的な設計選択となっている。 チャンク境界で発生する実行不連続は、いまだに理解されていない。 我々は,チャンク境界アーチファクトをノイズに敏感な故障機構とみなす。
• 参考スコア（独自算出の注目度）: 3.744103474408833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action chunking has become a central design choice for generative visuomotor policies, yet the execution discontinuities that arise at chunk boundaries remain poorly understood. In a frozen pretrained action-chunked policy, we identify chunk-boundary artifact as a noise-sensitive failure mechanism. First, artifact is strongly associated with task failure (p < 1e-4, permutation test) and emerges during the rollout rather than only as a post-hoc symptom. Second, under a fixed observation context, changing only latent noise systematically modulates artifact magnitude. Third, by identifying artifact-related directions in noise space and applying trajectory-level steering, we reliably alter artifact magnitude across all evaluated tasks. In hard-task settings with remaining outcome headroom, the success/failure distribution shifts accordingly; on near-ceiling tasks, positive gains are compressed by policy saturation, while the negative causal effect remains visible. Overall, we recast boundary discontinuity from an unavoidable execution nuisance into an analyzable, noise-dominated, and intervenable failure mechanism.
• Abstract（参考訳）: アクションチャンキングは、生成的ビジュモータポリシーにおいて中心的な設計選択となっているが、チャンク境界で発生する実行の不連続性は未だ理解されていない。 凍結した事前訓練された動作チャンク化ポリシでは、チャンク境界アーティファクトをノイズ感受性障害機構として識別する。 第一に、アーティファクトはタスク障害(p < 1e-4, permutation test)と強く結びついており、ポストホック症状としてのみではなく、ロールアウト中に現れる。 第二に、固定された観測コンテキスト下では、潜時雑音のみを体系的に変化させることで、人工物の大きさを体系的に調節する。 第3に、騒音空間におけるアーティファクト関連方向を特定し、軌道レベルのステアリングを適用することにより、評価された全てのタスクにおいて、アーティファクトの規模を確実に変更する。 結果が残るハードタスク環境では、成功/失敗の分布が変化し、ほぼシーリングタスクでは、政策飽和によって正の利得が圧縮され、負の因果効果がまだ見え続ける。 全体として、避けられない実行ニュアンスからの境界不連続性を、分析可能、ノイズに支配され、断続的障害機構に再キャストする。

関連論文リスト

• The Malignant Tail: Spectral Segregation of Label Noise in Over-Parameterized Networks [0.0]
  ネットワークが機能的に信号とノイズを分離する障害モードであるMorignant Tailを実験的に分離する。 トレーニングされていないネットワークは、ノイズを積極的に分離し、ノイズに支配されたサブスペースを外科的にプルークするポストホックスペクトルトラニケーションを実現する。 以上の結果から,ラベルノイズ下では,余剰スペクトル容量は無害な冗長性ではなく,構造的負債が潜んでいることが示唆された。
  論文  参考訳（メタデータ） (2026-03-02T16:39:42Z)
• Teacher-Guided Causal Interventions for Image Denoising: Orthogonal Content-Noise Disentanglement in Vision Transformers [8.989774165042542]
  従来の画像復調モデルは, 環境要因とノイズパターンの急激な相関関係を不注意に学習する。 本稿ではTCD-Net(Teacher-Guided Causal Disentanglement Network)を提案する。 大規模な実験により、TCD-Netは、複数のベンチマークにおいて、忠実さと効率の両方で、メインストリームのメソッドよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-01T15:04:37Z)
• Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
  フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。 本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。 不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
  論文  参考訳（メタデータ） (2026-01-02T09:16:55Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Latent Exploration for Reinforcement Learning [87.42776741119653]
  強化学習では、エージェントは環境を探索し、相互作用することでポリシーを学ぶ。 LATent TIme-Correlated Exploration (Lattice)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T17:40:43Z)
• Cause-Effect Inference in Location-Scale Noise Models: Maximum Likelihood vs. Independence Testing [19.23479356810746]
  因果発見の根本的な問題は因果推論であり、2つの確率変数間の正しい因果方向を学習する。 最近導入されたヘテロセダスティックな位置スケールノイズ汎関数モデル(LSNM)は、表現力と識別可能性の保証を組み合わせたものである。 雑音分布が正しく特定された場合,LSNMモデル選択が最先端の精度を実現することを示す。
  論文  参考訳（メタデータ） (2023-01-26T20:48:32Z)
• Removing Adversarial Noise in Class Activation Feature Space [160.78488162713498]
  クラスアクティベーション機能空間において,自己監視型対人訓練機構を実装することにより,対人雑音の除去を提案する。 クラスアクティベーション機能空間における敵対例と自然な例の間の距離を最小にするために、デノイジングモデルを訓練する。 経験的評価により, 従来の手法と比較して, 敵対的堅牢性が有意に向上できることが示された。
  論文  参考訳（メタデータ） (2021-04-19T10:42:24Z)
• A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
  因果治療効果の推定は、様々な現実世界で発生する重要な問題である。 連続分布における因果効果のバウンディング法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T12:32:24Z)

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。