論文の概要: LASAR: Towards Spatio-temporal Reasoning with Latent Cognitive Map
- arxiv url: http://arxiv.org/abs/2605.16899v1
- Date: Sat, 16 May 2026 09:21:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:47.225739
- Title: LASAR: Towards Spatio-temporal Reasoning with Latent Cognitive Map
- Title（参考訳）: LASAR:潜在認知地図を用いた時空間推論に向けて
- Authors: Jinzhou Tang, Sidi Liu, Waikit Xiu, Weixing Chen, Keze Wang,
- Abstract要約: 具体的AIの基本は、エージェントが構造の内部モデルを構築するか、単にタスク固有の専門家の軌道を模倣することを学ぶかを検証することである。
これは、アクション中心のタスク(例えば、VLN)や推論中心のタスク(例えば、A)に根ざした基礎的アプローチが、しばしば共通の制限を共有しているためである。
本稿では,認識的経験と意味認知地図の両面を維持するために設計された,デュアルメモリシステムを備えたアーキテクチャLASARを提案する。
- 参考スコア（独自算出の注目度）: 12.196103884300753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A fundamental challenge in embodied AI is verifying if agents build internal models of spatial structure or merely learn to mimic task-specific expert trajectories. This is critical as foundational approaches rooted in action-centric tasks (e.g., VLN) and reasoning-centric tasks (e.g., EQA) often share a common limitation: they lack a learning signal that forces them to encode fine-grained spatial relationships (like topology or distance) over long-range, fragmented experiences. To address this, we first propose LASAR, an architecture featuring a dual-memory system designed to maintain both episodic experiences and a semantic cognitive map. We then introduce Spatio-temporal Contextual Representation Learning (ST-CRL), a contrastive objective designed to train this architecture. ST-CRL leverages spatio-temporal cues from cognitive queries generated through annotated spatio-temporal context in simulation to build sample pairs, thereby forming the internal cognitive map from the agent's experiences. Experiments demonstrate that our method achieves 2\%-3.5\% gains in both zero-shot generalization on standard VLN-CE and VSI-Bench benchmarks. We also demonstrate that our proposed cognitive map has high self-consistency.
- Abstract（参考訳）: AIの具体化における根本的な課題は、エージェントが空間構造の内部モデルを構築するか、単にタスク固有の専門家の軌道を模倣することを学ぶかを検証することである。
これは、アクション中心のタスク(例えば、VLN)や推論中心のタスク(例えば、EQA)に根ざした基礎的なアプローチが、しばしば共通の制限を共有しているためである。
この問題を解決するために、まずLASARを提案する。このアーキテクチャは、エピソード体験とセマンティック認知マップの両方を維持するために設計されたデュアルメモリシステムである。
次に,時空間表現学習(ST-CRL)を導入する。
ST-CRLは、アノテートされた時空間の文脈から生成された認知クエリから時空間の時空間的手がかりを利用してサンプルペアを構築し、エージェントの経験から内部認知マップを形成する。
実験により,標準VLN-CEベンチマークとVSI-Benchベンチマークの両方において,ゼロショットの一般化において2\%-3.5\%のゲインが得られることが示された。
また,提案する認知地図は自己整合性が高いことを示す。
関連論文リスト
- From Where Things Are to What They Are For: Benchmarking Spatial-Functional Intelligence in Multimodal LLMs [19.943841049221625]
本稿では,1500以上の専門家に注釈を付けたビデオベースのベンチマークであるSFI-Benchについて紹介する。
SFI-Benchは先進的推論の2つの相補的次元を体系的に評価する。
論文 参考訳（メタデータ） (2026-05-04T01:19:36Z) - From Perception to Planning: Evolving Ego-Centric Task-Oriented Spatiotemporal Reasoning via Curriculum Learning [79.65573577667944]
タスクベースの時間的推論を学習するためのカリキュラムベースのフレームワークであるEgoTSRを提案する。
EgoTSRは、明示的な空間的理解からタスク状態評価への進化を前提に構築されている。
実験により、EgoTSRはバイアスを効果的に排除し、長距離論理推論タスクにおいて92.4%の精度を達成した。
論文 参考訳（メタデータ） (2026-04-12T08:14:49Z) - Spatial-VLN: Zero-Shot Vision-and-Language Navigation With Explicit Spatial Perception and Exploration [16.651645602449577]
大規模言語モデル(LLM)を利用した視覚・言語ナビゲーション(VLN)エージェントは、一般化が優れているが、空間認識が不十分である。
本稿では,これらの課題を克服するための知覚誘導探索フレームワークであるSpatial-VLNを提案する。
論文 参考訳（メタデータ） (2026-01-19T06:53:02Z) - Origin-Conditional Trajectory Encoding: Measuring Urban Configurational Asymmetries through Neural Decomposition [3.4560970433900366]
本研究では,原点に依存した非対称性を保ちながら空間的および運動的表現を学習する条件付き軌道エンコーダを提案する。
この枠組みは、都市ナビゲーションを共通の認知パターンと原点固有の空間的物語に分解する。
6つの総合都市の結果と北京の西京地区における実世界検証の結果は、都市形態が体系的な認知的不平等を生み出すことを示している。
論文 参考訳（メタデータ） (2025-12-03T12:54:16Z) - Beyond Pixels: Introducing Geometric-Semantic World Priors for Video-based Embodied Models via Spatio-temporal Alignment [2.9493863710375674]
VEMEは、未知の環境における複雑なタスクのためのディープラーニングモデルにおいて、人間のような推論を実現するための新しい方法である。
本フレームワークは,(1)オブジェクト,空間表現,視覚的意味論を時間的手がかりでブリッジするクロスランゲージアライメントフレームワーク,(2)タスク関連メモリリコールを可能にする動的で暗黙的な認知活性化世界埋め込み,(3)長期計画と効率的な探索のための指示に基づくナビゲーションと推論の3つの重要な構成要素を統合する。
論文 参考訳（メタデータ） (2025-08-29T19:47:25Z) - A theoretical framework for self-supervised contrastive learning for continuous dependent data [79.62732169706054]
自己教師付き学習(SSL)は、特にコンピュータビジョンの分野で、表現を学習するための強力なアプローチとして登場した。
本稿では,サンプル間のアンフェマティック独立に適した対照的なSSLの理論的枠組みを提案する。
具体的には、標準のUEAベンチマークとUCRベンチマークでTS2Vecを上回り、それぞれ4.17$%と2.08$%の精度で改善した。
論文 参考訳（メタデータ） (2025-06-11T14:23:47Z) - SITE: towards Spatial Intelligence Thorough Evaluation [121.1493852562597]
空間知能 (Spatial Intelligence, SI) は、空間的関係の可視化、操作、推論を含む認知能力を表す。
SI Thorough Evaluationに向けたベンチマークデータセットであるSITEを紹介する。
ベンチマークの計算には、31の既存のデータセットに関するボトムアップ調査と、認知科学の3つの分類システムに基づくトップダウン戦略を組み合わせる。
論文 参考訳（メタデータ） (2025-05-08T17:45:44Z) - Learning Appearance-motion Normality for Video Anomaly Detection [11.658792932975652]
時空間記憶を付加した2ストリーム自動エンコーダフレームワークを提案する。
見た目の正常さと動きの正常さを独立に学習し、敵の学習を通して相関関係を探索する。
我々のフレームワークは最先端の手法より優れており、UCSD Ped2とCUHK Avenueのデータセットで98.1%、89.8%のAUCを実現している。
論文 参考訳（メタデータ） (2022-07-27T08:30:19Z)
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。