論文の概要: The Global Neural World Model: Spatially Grounded Discrete Topologies for Action-Conditioned Planning

• arxiv url: http://arxiv.org/abs/2604.16585v1
• Date: Fri, 17 Apr 2026 15:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.091505
• Title: The Global Neural World Model: Spatially Grounded Discrete Topologies for Action-Conditioned Planning
• Title（参考訳）: グローバル・ニューラル・ワールド・モデル:アクション・コンシデント・プランニングのための空間的空間的離散的トポロジー
• Authors: Noureddine Kermiche,
• Abstract要約: 我々は、トポロジカル量子化を実現する自己安定化フレームワークであるGNWM(Global Neural World Model)を提案する。 JEPA(Joint-Embedding Predictive Architecture)として活動する 筆者らは, このアーキテクチャにより, 「グリッドスナッピング」 を固有誤差補正機構として利用することにより, 自己回帰ロールアウト時の多様体のドリフトを防止することができることを示した。
• 参考スコア（独自算出の注目度）: 0.9137554315375919
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present the Global Neural World Model (GNWM), a self-stabilizing framework that achieves topological quantization through balanced continuous entropy constraints. Operating as a continuous, action-conditioned Joint-Embedding Predictive Architecture (JEPA), the GNWM maps environments onto a discrete 2D grid, enforcing translational equivariance without pixel-level reconstruction. Our results show this architecture prevents manifold drift during autoregressive rollouts by using grid ``snapping'' as a native error-correction mechanism. Furthermore, by training via maximum entropy exploration (random walks), the model learns generalized transition dynamics rather than memorizing specific expert trajectories. We validate the GNWM across passive observation, active agent control, and abstract sequence regimes, demonstrating its capacity to act not just as a spatial physics simulator, but as a causal discovery model capable of organizing continuous, predictable concepts into structured topological maps.
• Abstract（参考訳）: 本稿では,バランスの取れた連続エントロピー制約による位相量子化を実現する自己安定化フレームワークであるGNWMを提案する。 GNWMは、連続的かつ行動条件付き合同埋め込み予測アーキテクチャ(JEPA)として運用され、環境を個別の2Dグリッドにマッピングし、ピクセルレベルの再構成なしに翻訳の等価性を強制する。 以上の結果から,本アーキテクチャは,グリッド<snapping''をネイティブな誤り訂正機構として利用することにより,自動回帰ロールアウト時の多様体のドリフトを防止することができる。 さらに、最大エントロピー探索(ランダムウォーク)によるトレーニングにより、モデルは特定の専門家軌道を記憶するのではなく、一般化された遷移力学を学ぶ。 我々は,GNWMを受動的観測,アクティブエージェント制御,抽象的シーケンス構造にわたって検証し,空間物理学シミュレータとしてだけでなく,連続的かつ予測可能な概念を構造化された位相マップに整理可能な因果探索モデルとして機能する能力を示した。

関連論文リスト

• Non-monotonic causal discovery with Kolmogorov-Arnold Fuzzy Cognitive Maps [0.40611352512781856]
  ファジィ認知マップ(英: Fuzzy Cognitive Maps)は、複雑な力学系をモデル化するためのニューロシンボリックパラダイムである。 本研究は, 因果伝達機構を再定義する新しいアーキテクチャであるKolmogorov-Arnold Fuzzy Cognitive Map (KA-FCM)を提案する。
  論文  参考訳（メタデータ） (2026-04-06T19:56:12Z)
• Structured Latent Dynamics in Wireless CSI via Homomorphic World Models [39.38895182380197]
  本稿では,無線チャネルの予測および構造化表現を,コンパクトな潜在空間における状態情報(CSI)の時間的進化をモデル化して学習するための自己教師型フレームワークを提案する。 本手法では,CSIトラジェクトリからの動作条件付き潜伏ダイナミクスの学習にJEPA(Joint Embedding Predictive Architecture)を活用する。
  論文  参考訳（メタデータ） (2026-03-20T15:32:47Z)
• Beyond Attention: True Adaptive World Models via Spherical Kernel Operator [0.0]
  標準的な注意を置き換えるフレームワークであるSpherical Kernelを紹介します。 SKOは、エージェントの偏りのある観察周波数から真の環境遷移のダイナミクスを数学的に分離する。 経験的評価により、SKOは自己回帰言語モデリングにおいて、収束を著しく加速し、標準の注意ベースラインを上回ることが確認される。
  論文  参考訳（メタデータ） (2026-02-25T21:51:34Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Prismatic World Model: Learning Compositional Dynamics for Planning in Hybrid Systems [38.4555621948915]
  Prismatic World Model (PRISM-WM) は複雑なハイブリッド力学を構成可能なプリミティブに分解するように設計されている。 PRISM-WMは系力学におけるシャープモード遷移を正確にモデル化することでロールアウトドリフトを著しく低減する。
  論文  参考訳（メタデータ） (2025-12-09T09:40:34Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Exploring Topological and Localization Phenomena in SSH Chains under Generalized AAH Modulation: A Computational Approach [0.6445605125467574]
  Su-Schrieffer-Heeger (SSH) モデルは1次元トポロジカル絶縁体の正準例として機能する。 本稿では,トポロジ,準周期性障害,非ハーモニティ,時間依存運転の相互作用について考察する。
  論文  参考訳（メタデータ） (2025-06-11T21:31:07Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)

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。