論文の概要: Geometry Guided Self-Consistency for Physical AI

• arxiv url: http://arxiv.org/abs/2605.08638v1
• Date: Sat, 09 May 2026 03:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.784316
• Title: Geometry Guided Self-Consistency for Physical AI
• Title（参考訳）: 物理AIのための幾何学的自己整合性
• Abstract要約: KeyStoneは拡散に基づく行動生成のための推論時自己整合性手法である。 連続的なアクション空間に$K$の候補アクションチャンクをクラスタし、最大のクラスタのメドイドを返す。 単一軌道サンプリングよりも最大で textbf13.3% のタスク成功率を向上し、遅延オーバーヘッドを無視できる。
• 参考スコア（独自算出の注目度）: 6.911669885632528
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: State-of-the-art physical AI models generate a chunk of actions per inference through diffusion or flow matching, iteratively refining an initial noise sample into an action trajectory. Because this inference process is inherently stochastic, committing to a single trajectory per round is brittle, and this brittleness compounds across the many sequential rounds that comprise a complete episode. We introduce KeyStone, an inference-time self-consistency method for diffusion-based action generation that draws $K$ candidate action chunks in parallel from a shared model context, clusters them in continuous action space, and returns the medoid of the largest cluster -- no additional model required. Two properties make this practical. First, the compact nature of action trajectories makes diffusion inference memory-bandwidth bound, leaving spare compute capacity to run $K$ chains in parallel with no additional wall-clock latency. Second, unlike token or pixel spaces where distance carries no semantic meaning and selection requires a learned judge, action chunks are geometrically structured such that Euclidean distance directly reflects physical similarity, making selection principled and judge-free. Across diverse vision-language-action models (VLAs) and world-action models (WAMs), KeyStone improves task success rates by up to \textbf{13.3\%} over single-trajectory sampling with negligible latency overhead, while having on par accuracy with model-based selectors at no training cost. We open source KeyStone at https://github.com/dywsjtu/keystone.
• Abstract（参考訳）: 最先端の物理AIモデルは、拡散またはフローマッチングを通じて推論毎に一連のアクションを生成し、初期ノイズサンプルをアクション軌跡に反復的に精製する。 この推論過程は本質的に確率的であるため、1ラウンドあたりの1つの軌道へのコミットは不安定であり、完全なエピソードを構成する多くの逐次ラウンドにまたがる脆性化合物である。 KeyStoneは、拡散ベースのアクション生成のための推論時自己整合性(inference-time self-consistency)メソッドで、共有モデルコンテキストから$K$の候補アクションチャンクを並列に描画し、それらを連続的なアクション空間にクラスタ化し、最大のクラスタのメドロイドを返す -- 追加モデルを必要としない。 2つの性質がこれを実現する。 第一に、アクショントラジェクトリのコンパクトな性質は、拡散推論メモリバンド幅をバウンドさせ、余剰計算能力は、追加のウォールクロック遅延を伴わずに、並列に$K$のチェーンを走らせる。 第二に、距離が意味論的な意味を持たず、選択を必要とするトークンやピクセル空間とは異なり、アクションチャンクは幾何学的に構成され、ユークリッド距離は物理的類似性を直接反映し、選択を原則化し、判断自由にする。 多様な視覚-言語-アクションモデル(VLA)と世界-アクションモデル(WAM)全体にわたって、KeyStoneは、トレーニングコストなしでモデルベースセレクタと同等の精度を保ちながら、単一軌跡サンプリングを無視できる遅延オーバーヘッドで行うことにより、タスクの成功率を最大で \textbf{13.3\%} まで改善する。 KeyStoneはhttps://github.com/dywsjtu/keystone.comでオープンソース化しました。

関連論文リスト

• Scaling-Score Conformal Prediction for Multi-Target Regression [0.42970700836450476]
  マルチターゲット回帰は、複数の関連する出力を同時に予測するモデルを必要とする。 モデルに依存しないスケーリングスコアコンフォメーション法(コンポーネント単位の絶対残差のみを要求する)を提案する。
  論文  参考訳（メタデータ） (2026-09-15T12:23:57Z)
• Neural Continuous-Time Markov Chain: Discrete Diffusion via Decoupled Jump Timing and Direction [18.20305761007799]
  我々は,2つの専用ネットワークヘッドを用いて,エフェキシットレート(ジャンプ時)とエフェジュンプ分布(ジャンプ時)で逆処理をパラメータ化するtextbfNeural CTMCを提案する。 我々は、エビデンスローバウンド(ELBO)が、真と学習された逆過程の経路空間KL分散と$$非依存定数で異なることを示す。 また, トラクタブル条件付きサロゲートは標準正則性仮定の下で, 対応する限界逆プロセス対象の勾配と最小化を保っていることを示す。
  論文  参考訳（メタデータ） (2026-04-17T04:40:19Z)
• Self-Rewarding Sequential Monte Carlo for Masked Diffusion Language Models [58.946955321428845]
  本研究は自己回帰型モンテカルロ(SMC)を提示する。 提案アルゴリズムは,既存のMDLMのほとんどが信頼性に基づくサンプリング戦略に依存している点に起因している。 粒子重み付けのための自己回帰信号として軌道レベルの信頼性を導入する。
  論文  参考訳（メタデータ） (2026-02-02T09:21:45Z)
• Learning a Fast Mixing Exogenous Block MDP using a Single Trajectory [87.62730694973696]
  STEELは、単一軌道から外因性ブロックマルコフ決定過程の制御可能なダイナミクスを学習するための、最初の証明可能なサンプル効率アルゴリズムである。 我々は,STEELが正解であり,サンプル効率が良いことを証明し,STEELを2つの玩具問題で実証した。
  論文  参考訳（メタデータ） (2024-10-03T21:57:21Z)
• Just One Byte (per gradient): A Note on Low-Bandwidth Decentralized Language Model Finetuning Using Shared Randomness [86.61582747039053]
  分散環境での言語モデルトレーニングは、交換の通信コストによって制限される。 分散微調整を低帯域幅で行うために,共有ランダムネスを用いた最近の作業を拡張した。
  論文  参考訳（メタデータ） (2023-06-16T17:59:51Z)
• Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing [71.19528222206088]
  顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。 具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。 提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T02:12:30Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Learning Salient Boundary Feature for Anchor-free Temporal Action Localization [81.55295042558409]
  時間的行動のローカライゼーションはビデオ理解において重要な課題である。 純粋にアンカーフリーな時間的定位法を初めて提案する。 このモデルには,(i)エンドツーエンドのトレーニング可能な基本予測器,(ii)サリエンシベースのリファインメントモジュール,(iii)いくつかの一貫性制約が含まれている。
  論文  参考訳（メタデータ） (2021-03-24T12:28:32Z)

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。