論文の概要: Mind Dreamer: Untethering Imagination via Active Latent Intervention on Latent Manifolds
- arxiv url: http://arxiv.org/abs/2605.16030v1
- Date: Fri, 15 May 2026 15:05:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 17:44:16.343503
- Title: Mind Dreamer: Untethering Imagination via Active Latent Intervention on Latent Manifolds
- Title（参考訳）: マインドドリーマー:潜伏するマニフォールドのアクティブインターベンションでイマジネーションを解き放つ
- Abstract要約: 我々は,マルコフ連続性を超越するために,能動的潜在介入(ALI)を運用するフレームワークであるマインドドリーマー(MD)を提案する。
MDはグローバルリレーマニフォールド自由エネルギー(R-EFE)の最小化として発見を再考する
我々はMDがDeepMind Control Suite上でDreamerV3よりも平均1.67$times$のスピードアップを実現し、スパース・リワードタスクで8.8$times$に達することを示した。
- 参考スコア（独自算出の注目度）: 13.96435440318736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model-Based Reinforcement Learning (MBRL) leverages latent imagination for sample efficiency, yet remains constrained by Historical Tethering: imagination is typically initialized from observed states. This creates a learning asymmetry, where the world model's manifold discovery outpaces the policy's sparse-reward optimization. We propose Mind Dreamer (MD), a framework that operationalizes Active Latent Intervention (ALI) to transcend Markovian continuity. MD reformulates discovery as the minimization of a global Relay Manifold Expected Free Energy (R-EFE); by sampling initial states from a learned generator $s_0 \sim p_{gen}(\cdot)$ rather than the historical buffer, MD utilizes an adversarial generator to synthesize non-continuous latent jumps to epistemic blind spots that are physically plausible yet cognitively challenging. To resolve the credit assignment paradox across these spatial ruptures, we derive the Relay Value Function (RVF) and Relay Uncertainty Function (RUF). These potentials treat synthesized anchors as counterfactual intermediary states, propagating pragmatic and epistemic value through a principled Bellman-style formulation. Notably, we prove that uncertainty propagation across discontinuities necessitates a quadratic discount $γ^2$, establishing a formal epistemic horizon. Theoretically, MD approximates a variance-minimizing importance sampler that expands the manifold's spectral gap, reducing the hitting time to critical bottleneck states. Empirically, MD achieves a 1.67$\times$ average speedup over DreamerV3 on DeepMind Control Suite, reaching 8.8$\times$ in sparse-reward tasks.
- Abstract（参考訳）: モデルベース強化学習(MBRL)は、標本効率に潜伏した想像力を利用するが、歴史的テザリングによって制約される: 想像力は通常観察された状態から初期化される。
これは、世界モデルの多様体発見が政策のスパース・リワード最適化を上回る学習非対称性を生み出す。
我々は,マルコフ連続性を超越するために,能動的潜在介入(ALI)を運用するフレームワークであるマインドドリーマー(MD)を提案する。
MDは、グローバルなリレーマニフォールド期待自由エネルギー(R-EFE)の最小化として発見を再構成し、学習した生成元から初期状態をサンプリングすることで、過去のバッファではなく、敵対的生成元を使用して非連続的な潜伏ジャンプを、物理的に証明可能で認知的に困難であるてんかん盲点へ合成する。
これらの空間的破壊に対する信用割当パラドックスを解決するために、リレー値関数(RVF)とリレー不確実性関数(RUF)を導出する。
これらのポテンシャルは合成アンカーを反現実的中間状態として扱い、ベルマン様式の定式化を通じて実用的および疫学的な価値を伝播する。
特に,不連続性を越えた不確実性伝播は2次割引$γ^2$を必要とし,公式なてんかんの地平線を確立する。
理論的には、MDは、多様体のスペクトルギャップを拡大し、臨界ボトルネック状態への打撃時間を短縮する分散最小化重要サンプリング器を近似する。
MDはDeepMind Control SuiteでDreamerV3よりも1.67$\times$の平均的なスピードアップを実現し、スパース・リワードタスクで8.8$\times$に達した。
関連論文リスト
- Untangling Co-Drift: Proactive Multi-Intent Failure Prediction and Root-Cause Disambiguation for Self-Driving Networks [0.0]
反応ドリフト検出から積極的故障予測への意図保証を再構築するフレームワークであるMILDを紹介する。
MILDは高い故障検出率と根本原因検出への強い依存を実現する。
このMILDイネーブルは、次世代自律ネットワークにおけるクローズループ保証の実用的な実現方法である。
論文 参考訳（メタデータ） (2026-07-28T17:06:24Z) - Trajectory-Anchor Optimization for Overconfident Thermal Visual Place Recognition: Zero-Leakage OOD Auditing and Kidnapped-Robot Recovery [3.9929096403817255]
Trajectory-Anchor Optimization (TAO) はマクロスケールでの効率的なフェールセーフフィルタである。
5mの半径内では、幻覚はしばしば固いアライメントを知覚する局所的に一貫した幾何学を持つ。
TAOは、多視点の一貫性が破滅的な地形破壊を確実に分離する、明確な収束盆地(10m)を確立している。
論文 参考訳（メタデータ） (2026-07-06T07:31:37Z) - Semidefinite Relaxations for Collision-Free Motion Planning [53.160637667144876]
C4トラジェクトリの観点で,inmathbbRn制約を通じて開始からゴールへ移動するポイントロボットに焦点をあてる。
C4トラジェクトリによる最小スナップ連続計画のプランナとしての有効性を示す。
論文 参考訳（メタデータ） (2026-06-12T03:18:03Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - Unregularized Linear Convergence in Zero-Sum Game from Preference Feedback [50.89125374999765]
NLHFにおける最適乗算重み更新(mathtOMWU$)に対する最初の収束保証を提供する。
本分析では, 稀に発生する行動の確率が指数関数的に小さい値から指数関数的に増大する新たな限界収束挙動を同定する。
論文 参考訳（メタデータ） (2025-12-31T12:08:29Z) - The Silent Scholar Problem: A Probabilistic Framework for Breaking Epistemic Asymmetry in LLM Agents [0.6117371161379209]
本稿では,エージェントに双方向知識交換のための非構造的動機を与える形式的確率的枠組みを提案する。
これらの蓄積された信念状態が、人間フィードバックからの強化学習(RLHF)と監視ファインチューニング(SFT)のための高品質データフィルタの検証可能な報酬信号としてどのように機能するかを示す。
シミュレーションの結果、この不確実性駆動型戦略が異種環境におけるランダムベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-12-24T02:02:25Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Exploring Image Generation via Mutually Exclusive Probability Spaces and Local Correlation Hypothesis [9.946694131713611]
画像生成のための確率的生成モデルにおける一般的な仮定は、グローバルなデータ分布の学習がサンプリングによって新しい画像を生成するのに十分であるということである。
我々は,この中核的な仮定の限界,すなわちグローバルな分布の学習が生成行動よりも記憶に繋がるということを考察する。
論文 参考訳（メタデータ） (2025-06-26T19:32:29Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。
本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。
また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
論文 参考訳（メタデータ） (2023-06-01T09:39:32Z)
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。