論文の概要: Hypothesis Graph Refinement: Hypothesis-Driven Exploration with Cascade Error Correction for Embodied Navigation

• arxiv url: http://arxiv.org/abs/2604.04108v1
• Date: Sun, 05 Apr 2026 13:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.927173
• Title: Hypothesis Graph Refinement: Hypothesis-Driven Exploration with Cascade Error Correction for Embodied Navigation
• Title（参考訳）: 仮設グラフの微細化: 仮設誤差補正を用いた仮設グラフ探索による身体的ナビゲーション
• Authors: Peixin Chen, Guoxi Zhang, Jianwei Ma, Qing Li,
• Abstract要約: 身体的エージェントは、信頼性のある長期記憶を維持しながら、部分的に観察された環境を探索する必要がある。 既存のグラフベースのナビゲーションシステムは、探索されていない領域を意味不明として扱い、非効率なフロンティア探索をもたらす。 本稿では,フロンティア予測を依存型グラフメモリにおける修正可能な仮説ノードとして表現するフレームワークである仮説グラフ再定義(HGR)を提案する。
• 参考スコア（独自算出の注目度）: 9.519753129113651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied agents must explore partially observed environments while maintaining reliable long-horizon memory. Existing graph-based navigation systems improve scalability, but they often treat unexplored regions as semantically unknown, leading to inefficient frontier search. Although vision-language models (VLMs) can predict frontier semantics, erroneous predictions may be embedded into memory and propagate through downstream inferences, causing structural error accumulation that confidence attenuation alone cannot resolve. These observations call for a framework that can leverage semantic predictions for directed exploration while systematically retracting errors once new evidence contradicts them. We propose Hypothesis Graph Refinement (HGR), a framework that represents frontier predictions as revisable hypothesis nodes in a dependency-aware graph memory. HGR introduces (1) semantic hypothesis module, which estimates context-conditioned semantic distributions over frontiers and ranks exploration targets by goal relevance, travel cost, and uncertainty, and (2) verification-driven cascade correction, which compares on-site observations against predicted semantics and, upon mismatch, retracts the refuted node together with all its downstream dependents. Unlike additive map-building, this allows the graph to contract by pruning erroneous subgraphs, keeping memory reliable throughout long episodes. We evaluate HGR on multimodal lifelong navigation (GOAT-Bench) and embodied question answering (A-EQA, EM-EQA). HGR achieves 72.41% success rate and 56.22% SPL on GOAT-Bench, and shows consistent improvements on both QA benchmarks. Diagnostic analysis reveals that cascade correction eliminates approximately 20% of structurally redundant hypothesis nodes and reduces revisits to erroneous regions by 4.5x, with specular and transparent surfaces accounting for 67% of corrected prediction errors.
• Abstract（参考訳）: 身体的エージェントは、信頼性のある長期記憶を維持しながら、部分的に観察された環境を探索する必要がある。 既存のグラフベースのナビゲーションシステムはスケーラビリティを向上させるが、探索されていない領域を意味不明として扱うことが多く、非効率なフロンティア探索をもたらす。 視覚言語モデル(VLM)はフロンティアのセマンティクスを予測できるが、誤った予測がメモリに埋め込まれ、下流の推論を通じて伝播し、信頼が弱まるだけでは解決できない構造的エラー蓄積を引き起こす。 これらの観察は、新たな証拠が矛盾するとエラーを体系的に取り除きながら、有向探索に意味論的予測を活用できるフレームワークを要求する。 本稿では,フロンティア予測を依存型グラフメモリにおける修正可能な仮説ノードとして表現するフレームワークである仮説グラフ再定義(HGR)を提案する。 HGRは,(1)フロンティア上の文脈条件付きセマンティック分布を推定し,目標関連性,旅行コスト,不確実性によって探索目標をランク付けするセマンティック仮説モジュールを導入し,(2)予測セマンティクスに対するオンサイト観測を比較した検証駆動カスケード補正を行い,そのミスマッチにより,下流依存者すべてとともに再帰ノードを抽出する。 付加的なマップ構築とは異なり、グラフは誤ったサブグラフをプルーニングすることで収縮し、長いエピソードを通してメモリの信頼性を維持することができる。 マルチモーダルライフロングナビゲーション(GOAT-Bench)と具体的質問応答(A-EQA,EM-EQA)におけるHGRの評価を行った。 HGRはGOAT-Benchで72.41%の成功率と56.22%のSPLを達成した。 診断学的解析により、カスケード補正は構造的に冗長な仮説ノードの約20%を排除し、修正された予測誤差の67%を占める特異面と透明面を4.5倍に減らした。

関連論文リスト

• Uncertainty-Aware Trajectory Prediction: A Unified Framework Harnessing Positional and Semantic Uncertainties [18.530958966955847]
  軌道予測は、歴史的運動データの時間的地平線を考慮し、車両や歩行者のような動的実体の将来の動きを予測しようとする。 この領域における中心的な課題は、二つの主要な情報源から生じるリアルタイムマップに固有の不確実性である。 本稿では,位置的および意味的不確実性を共同でモデル化し,それらを軌道予測パイプラインに明示的に統合する,新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-31T07:35:55Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Less Greedy Equivalence Search [52.818153111470394]
  Greedy Equivalence Search (GES)は、観測データから因果探索を行うためのスコアベースのアルゴリズムである。 我々はGESの変種であるLose Greedy Equivalence Search (LGES)を開発した。
  論文  参考訳（メタデータ） (2025-06-27T15:39:48Z)
• A Reverse Causal Framework to Mitigate Spurious Correlations for Debiasing Scene Graph Generation [59.473751744275496]
  シーングラフ生成(SGG)フレームワークは通常、関係の特徴を抽出する検出器と、それらの関係を分類する分類器を備えている。 このような因果連鎖構造は、検出器の入力と最終的な予測の間に急激な相関をもたらす。 本稿では、因果連鎖構造を逆因果構造に再構築し、分類器の入力を共同創設者として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-05-29T13:57:01Z)
• Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction [5.38274042816001]
  観測データでは、分布シフトは観測されていない共起因子によって駆動されることが多い。 このことは、観測データを用いた領域適応問題の研究を動機付けます。 学習した低次元部分空間を用いて、ターゲットとソースのリスクの間にほぼ理想的なギャップを生じさせるモデルを示す。
  論文  参考訳（メタデータ） (2024-06-22T17:43:08Z)
• Failures and Successes of Cross-Validation for Early-Stopped Gradient Descent [8.0225129190882]
  我々は、早期降下勾配(GD)に適用された一般クロスバリデーション(GCV)とアウトアウトクロスバリデーション(LOOCV)の統計的性質を解析する。 等方性を有する線形モデルであっても, GCV は早期停止型GD の予測リスクの予測器として不整合であることが証明された。 我々の理論はデータ分布に関する軽微な仮定しか必要とせず、根底にある回帰関数を線形とする必要はない。
  論文  参考訳（メタデータ） (2024-02-26T18:07:27Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)

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。