論文の概要: Can Predicted Dynamics Exist in the Physical World?

• arxiv url: http://arxiv.org/abs/2606.00089v1
• Date: Sat, 23 May 2026 16:28:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.877256
• Title: Can Predicted Dynamics Exist in the Physical World?
• Title（参考訳）: 物理界に予測力学は存在するか?
• Authors: Barak Or,
• Abstract要約: 予測制御インタフェースとして物理許容性を定式化する。 Hugging Face LeRobot PushTでは、制御されたファルシフィケーションは、一段階の予測-RMSEと標準化されたダイナミクス残差が領域に達することを示している。 リプレイベースの介入実験では、残差ベースのフィルタと完全な物理許容ゲートは、無効な提案の87～89%を防止している。
• 参考スコア（独自算出の注目度）: 1.9544213396776273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive Physical AI systems output state rollouts, action chunks, and latent plans, yet a low root-mean-square error (RMSE) does not imply that a particular proposal is physically executable. We formulate physical admissibility as a prediction-control interface: before execution, a decoded proposal is treated as candidate dynamics and evaluated using kinematic, dynamic, and direct-to-composed horizon conditions. Passing is not a certificate of task success; rejection identifies violation of the specified physical envelope and gives a component-level reason. On Hugging Face LeRobot PushT, controlled falsification shows that one-step prediction-RMSE and standardized dynamics residuals reach area under the receiver operating characteristic curve (AUC) 0.982 and 0.972, kinematic-only conditions reach AUC 0.592, and the full gate reaches AUC 0.957 with condition-level attribution. In replay-based intervention experiments, residual-based filters and the full physical-admissibility gate prevent 87-$89% of invalid proposals while preserving mean progress near 0.998.
• Abstract（参考訳）: 予測的物理AIシステムは状態ロールアウト、アクションチャンク、潜在プランを出力するが、低ルート平均二乗誤差(RMSE)は、特定の提案が物理的に実行可能であることを意味するものではない。 物理許容性を予測制御インタフェースとして定式化し、実行前にデコードされた提案を候補力学として扱い、動力学的、動的、直交水平条件を用いて評価する。 通過はタスク成功の証明書ではなく、拒絶は指定された物理的封筒の違反を特定し、コンポーネントレベルの理由を与える。 Hugging Face LeRobot PushTでは、一段階の予測-RMSEと標準化されたダイナミクス残差が受信動作特性曲線(AUC)0.982と0.972の領域に到達し、キネマティックのみの条件がAUC0.592に達し、フルゲートは条件レベルの属性でAUC0.957に達することを示した。 リプレイベースの介入実験では、残留基フィルタと全物理適応ゲートは、0.998付近で平均進行を保ちながら、無効な提案の87～89%を阻止する。

関連論文リスト

• ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
  ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。 DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
  論文  参考訳（メタデータ） (2026-05-28T12:40:22Z)
• Fusion-fission forecasts when AI will shift to undesirable behavior [0.0]
  社会全体でChatGPTのようなAIが利用している主な問題は、その行動が望ましいものから望ましくないものへと変化し、気付かないものへと変化することである。 生体およびアクティブマターシステムで観測される融合分裂群のダイナミクスの一般化ベクトルが、AIの振る舞いの将来の変化を -- そして予測できることを示す。
  論文  参考訳（メタデータ） (2026-05-14T00:26:32Z)
• False Feasibility in Variable Impedance MPC for Legged Locomotion [0.0]
  我々は,パラメータに基づく予測を実現するための許容剛性命令が存在しないことを証明した。 平面スプリング装荷逆振り子ダイナミクスへの機構伝達は、質量中心偏差と姿勢刺激偏差を確認する。 第2しきい値α_infeas α_critは、許容剛性範囲を制限することにより、実現可能性の修復が不可能な階を確立する。
  論文  参考訳（メタデータ） (2026-04-24T05:49:14Z)
• A Physics-Informed Neuro-Fuzzy Framework for Quantum Error Attribution [0.4511923587827302]
  本稿では,適応型ニューロファジィ推論システムと物理接地型特徴工学を組み合わせることで,帰属問題に対処するニューロファジィフレームワークを提案する。 Bhattacharyya Vetoは、データ処理の不平等に根ざした物理的な制約である。 この研究は、論理的に欠陥のある回路にエラー軽減技術を適用することを防止する、堅牢で解釈可能な診断層を確立する。
  論文  参考訳（メタデータ） (2026-02-22T16:19:51Z)
• Reward Under Attack: Analyzing the Robustness and Hackability of Process Reward Models [68.45272703833209]
  現状のPRMは、逆最適化圧力下で体系的に利用可能であることを示す。 これらの脆弱性を定量化するために、敵の圧力を増大させる3段階の診断フレームワークを導入する。 我々は、PRM-BiasBenchと診断ツールキットをリリースし、デプロイ前にロバストネスの評価を可能にする。
  論文  参考訳（メタデータ） (2026-02-20T23:38:03Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
  データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。 検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。 このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
  論文  参考訳（メタデータ） (2026-01-09T16:44:17Z)
• VFSI: Validity First Spatial Intelligence for Constraint-Guided Traffic Diffusion [3.093890460224435]
  現在のモデルは、物理的妥当性をアーキテクチャ要求よりも創発的な性質として扱う。 本稿では,拡散サンプリング中のエネルギーベース誘導による制約を強制する,妥当性第一空間知能(VFSI)を提案する。 200のシナリオで、VFSIは衝突率を67%(24.6%から8.1%)削減し、全体的な妥当性を87%(50.3%から94.2%)改善している。
  論文  参考訳（メタデータ） (2025-09-28T16:48:49Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Mitigating Backdoor Attack Via Prerequisite Transformation [6.086428675292244]
  本稿では,バックドア攻撃に対する新たな対策を提案する。 トリガーによってカバーされる領域の特徴をトリガーの特徴として、残りの領域を通常の特徴として言及する。
  論文  参考訳（メタデータ） (2023-06-03T02:33:38Z)

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。