論文の概要: Learning When to Act: Interval-Aware Reinforcement Learning with Predictive Temporal Structure

• arxiv url: http://arxiv.org/abs/2603.22384v2
• Date: Thu, 26 Mar 2026 16:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 18:28:14.971934
• Title: Learning When to Act: Interval-Aware Reinforcement Learning with Predictive Temporal Structure
• Title（参考訳）: 行動の学習:時間的時間的構造を考慮した時間的認識強化学習
• Authors: Davide Di Gioia,
• Abstract要約: 本稿では,経験から認知的ティッチ間の最適間隔を学習する,軽量な時間制御システムを提案する。 また、選択した待ち時間に対する非効率性を明示するインターバルアウェア報酬を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous agents operating in continuous environments must decide not only what to do, but when to act. We introduce a lightweight adaptive temporal control system that learns the optimal interval between cognitive ticks from experience, replacing ad hoc biologically inspired timers with a principled learned policy. The policy state is augmented with a predictive hyperbolic spread signal (a "curvature signal" shorthand) derived from hyperbolic geometry: the mean pairwise Poincare distance among n sampled futures embedded in the Poincare ball. High spread indicates a branching, uncertain future and drives the agent to act sooner; low spread signals predictability and permits longer rest intervals. We further propose an interval-aware reward that explicitly penalises inefficiency relative to the chosen wait time, correcting a systematic credit-assignment failure of naive outcome-based rewards in timing problems. We additionally introduce a joint spatio-temporal embedding (ATCPG-ST) that concatenates independently normalised state and position projections in the Poincare ball; spatial trajectory divergence provides an independent timing signal unavailable to the state-only variant (ATCPG-SO). This extension raises mean hyperbolic spread (kappa) from 1.88 to 3.37 and yields a further 5.8 percent efficiency gain over the state-only baseline. Ablation experiments across five random seeds demonstrate that (i) learning is the dominant efficiency factor (54.8 percent over no-learning), (ii) hyperbolic spread provides significant complementary gain (26.2 percent over geometry-free control), (iii) the combined system achieves 22.8 percent efficiency over the fixed-interval baseline, and (iv) adding spatial position information to the spread embedding yields an additional 5.8 percent.
• Abstract（参考訳）: 継続的環境で動作する自律エージェントは、何をすべきかだけでなく、いつ行動すべきかを判断しなければならない。 本稿では,生物学的にヒントを得たタイマーを原則的に学習ポリシーに置き換え,認知的ティッチ間の最適間隔を経験から学習する,軽量適応型時間制御システムを提案する。 ポリシー状態は、双曲幾何学から導かれる予測的双曲拡散信号(「曲率信号」の略)で拡張される。 高拡散は分岐した不確実な未来を示し、エージェントがより早く行動するよう促す。 さらに,選択した待ち時間に対する非効率性を明示するインターバルアウェア報酬を提案し,タイミング問題におけるナイーブな結果に基づく報酬の体系的なクレジット割り当て失敗を補正する。 また,ポインケア球の正規化状態と位置投影を独立に結合する結合時空間埋め込み (ATCPG-ST) を導入し,空間軌道の発散により,状態のみの変種 (ATCPG-SO) では利用できない独立したタイミング信号を提供する。 この拡張により、平均的な双曲拡散(カッパ)が1.88から3.37に上昇し、州のみのベースラインよりもさらに5.8%効率が向上する。 5つのランダムな種子に対するアブレーション実験は、そのことを証明している (i)学習が主な効率因子(非学習率54.8%)である。 (II)双曲スプレッドは、(幾何学的自由制御よりも26.2%)大きな相補的な利得をもたらす。 三 固定インターバルベースラインの効率を22.8%向上させ、 (4)スプレッド埋め込みに空間位置情報を追加すると、さらに5.8%となる。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• Hybrid Belief Reinforcement Learning for Efficient Coordinated Spatial Exploration [3.0222726254970174]
  純粋なモデルに基づくアプローチは、構造化された不確実性推定を提供するが、適応的なポリシー学習を欠いている。 本稿では,このギャップに対処するためのハイブリッドな信念強化学習フレームワークを提案する。 その結果、累積報酬は10.8%上昇し、ベースラインよりも38%早く収束した。
  論文  参考訳（メタデータ） (2026-03-04T00:00:34Z)
• Beyond Reward: A Bounded Measure of Agent Environment Coupling [0.0]
  両予測可能性 (P) は, 観測, 行動, 結果ループにおける共有情報の合計情報に対する比率として導入する。 補助モニタであるIDT(Information Digital Twin)は、インタラクションストリームからPとその診断コンポーネントを演算する。 我々は,MuJoCo HalfCheetahのSACおよびPPO剤を8剤,環境側摂動を168試験で評価した。
  論文  参考訳（メタデータ） (2026-03-01T21:38:39Z)
• Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
  VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。 本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。 推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
  論文  参考訳（メタデータ） (2025-10-20T09:58:03Z)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)
• DIR-AS: Decoupling Individual Identification and Temporal Reasoning for Action Segmentation [84.78383981697377]
  完全な教師付きアクションセグメンテーションは、高密度アノテーションによるフレームワイドアクション認識に作用し、しばしば過剰なセグメンテーションの問題に悩まされる。 本研究では, 時間的ピラミッド拡張と時間的ピラミッドプールを併用して, 効率的なマルチスケールアテンションを実現するため, 新たなローカル・グローバルアテンション機構を開発した。 GTEAでは82.8%(+2.6%)、Breakfastでは74.7%(+1.2%)の精度を実現し,本手法の有効性を示した。
  論文  参考訳（メタデータ） (2023-04-04T20:27:18Z)

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。