論文の概要: General Covariant Action Modeling: Constructing Generalized Manifolds via Spatio-Temporal Decoupling

• arxiv url: http://arxiv.org/abs/2606.00110v1
• Date: Wed, 27 May 2026 03:38:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.964202
• Title: General Covariant Action Modeling: Constructing Generalized Manifolds via Spatio-Temporal Decoupling
• Title（参考訳）: 一般共変作用モデリング:時空間デカップリングによる一般化多様体の構成
• Abstract要約: GAM(Generalized Action Manifold)フレームワークは、構造的ゆがみを通じて一般的な共分散を強制する。 GAMは、ジオメトリーに依存しないベースラインよりも優れた転送能力とロバスト性を実現する。
• 参考スコア（独自算出の注目度）: 48.559681359374146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving robust generalization from limited data is a central challenge in embodied intelligence. Prevailing methods fail by regressing absolute coordinates, which violates the principle of general covariance. Fundamentally, this conflates the intrinsic task geometry with rigid execution patterns, binding policies to specific motion styles and fixed speeds. To resolve this, we propose the Generalized Action Manifold (GAM) framework that enforces general covariance through structural disentanglement. Specifically, GAM realizes the manifold by enforcing invariance across two orthogonal dimensions: (1) Temporal Invariance, utilizing an Arc-Length Parameterizer to orthogonalize the spatial path geometry from temporal dynamics, ensuring robustness to velocity variations; (2) Geometric Invariance, where a Schema-Affine-Factorization mechanism maps trajectories to canonical ``world lines'' in a pose-normalized coordinate frame. This distinguishes invariant geometric schemas from affine modulations, ensuring spatial generalizability. By integrating GAM within a structured Vision-Language-Action (VLA) architecture, we enable sparse demonstrations to densely populate a continuous, valid action manifold. Empirical results demonstrate that GAM enables superior transfer and robustness capabilities, outperforming geometry-agnostic baselines.
• Abstract（参考訳）: 限られたデータから堅牢な一般化を実現することは、インテリジェンスにおける中心的な課題である。 一般的な共分散の原理に反する絶対座標を回帰することで、一般的な方法が失敗する。 基本的に、これは本質的なタスク幾何学を、厳密な実行パターン、特定の動作スタイルへのバインドポリシー、固定速度で融合させる。 これを解決するために,構造的ゆがみによる一般的な共分散を強制するGAM(Generalized Action Manifold)フレームワークを提案する。 具体的には,(1)Arc-Lengthパラメーターを用いた時空間経路幾何を時間力学から速度変動へ直交させる時間的不変性,(2)Schema-Affine-Factorization機構が軌道を正則化座標フレームの「世界線」にマッピングする幾何学的不変性,という2つの直交次元の不変性を実現する。 これは不変な幾何学的スキーマとアフィン変調を区別し、空間的一般化性を保証する。 構造化されたビジョン・ランゲージ・アクション(VLA)アーキテクチャにGAMを組み込むことで、スパースデモが連続的で有効な作用多様体を密集的に生成することを可能にする。 実験の結果、GAMは優れた転送能力とロバスト性を実現し、幾何に依存しないベースラインよりも優れていることが示された。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• SPDM: Geometry-Modulated State Space Modeling with Manifold Constraints for Time Series Forecasting [15.612678669559516]
  多変数時系列予測では、相互作用する変数間の連続的に変化する相関構造をキャプチャする必要がある。 状態空間モデリングに多様体制約を導入することで、この制限に対処する。 本研究では,この原理を2つの協調機構により実現した幾何学的SSMアーキテクチャであるSPDMを提案する。
  論文  参考訳（メタデータ） (2026-06-06T17:04:57Z)
• LAST: Bridging Vision-Language and Action Manifolds via Gromov-Wasserstein Alignment [71.3712075841632]
  LASTはアクション空間を再構築し、ビジョン・ランゲージ・アクション・モダリティとの局所的な距離互換性を確立する。 LASTは収束性と一般化性に優れたVLAモデルを可能にする。
  論文  参考訳（メタデータ） (2026-05-27T03:48:10Z)
• Beyond Rigid Geometries: The Spline-Pullback Metric for Universal Diffeomorphic SPD Representation Learning [2.704566511657017]
  本稿では,SPM(Spline-Pullback Metric)とCholesky-SPM(Cholesky-SPM)について紹介する。 階数不変量 B-スプライン を通じて大域微分同相をパラメータ化することにより、SPM は、厳密に$C1$微分同相を増大させるような密接な普遍近似器として機能する。 SPMは、Linear Probes、SPDNets、Deep Riemannian ResNetsを使用して、3つのデータセットにわたる最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-06T01:55:45Z)
• Multi-Way Representation Alignment [19.53606443098969]
  地図表現の現在の戦略は本質的にペアワイズであり、モデルの数と二次的にスケーリングし、一貫したグローバル参照を得られない。 我々はまず、モデル縫合のようなタスクに不可欠な内部幾何学を保存した共有宇宙を構築するために、一般化されたプロクリスト解析(GPA)を適用した。 次に、厳密な等尺的アライメントが検索に最適であることを示す。そこでは、カノニカル相関解析(CCA)のような合意を最大化する手法が一般的である。 このギャップを埋めるために、我々はついにGeometry-Corrected Procrustes Alignment (GCPA)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T21:33:45Z)
• Orthogonal Model Merging [21.902153344111223]
  複雑な言語モデル(LLM)のマージは、多様な機能を単一の統一モデルに統合する上で、ますます重要になっている。 モデルの重みの幾何学的構造を保存するためにオルソゴンモデルマージ(オルソマージ)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T17:57:14Z)
• Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
  グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
  論文  参考訳（メタデータ） (2026-01-31T11:05:35Z)
• GeoAda: Efficiently Finetune Geometric Diffusion Models with Equivariant Adapters [61.51810815162003]
  制御された生成タスクに対してフレキシブルかつパラメータ効率の良い微調整を可能にするSE(3)-equivariant Adapter framework(GeoAda)を提案する。 GeoAdaは、過剰適合と破滅的な忘れを緩和しながら、モデルの幾何的一貫性を保っている。 我々は、フレーム制御、グローバル制御、サブグラフ制御、広範囲のアプリケーションドメインを含む多様な幾何学的制御タイプにまたがるGeoAdaの適用性を実証する。
  論文  参考訳（メタデータ） (2025-07-02T18:44:03Z)
• GAMA: Geometry-Aware Manifold Alignment via Structured Adversarial Perturbations for Robust Domain Adaptation [0.0]
  GAMAは,幾何情報によって誘導される対角摂動による明示的な多様体アライメントを実現する構造的フレームワークである。 GAMAは、構造化正則化と明示的なアライメントにより、一般化を締め付ける。 DomainNet、VisDA、Office-Homeの実証的な結果は、GAMAが既存の敵対的および適応的手法を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-05-21T07:16:42Z)
• Continuous Domain Generalization [32.29899595196802]
  本稿では,予測モデルを未確認領域に一般化することを目的とした連続領域一般化(CDG)の課題を紹介する。 幾何学的および代数的理論に基礎を置き、領域をまたいだ最適モデルパラメータが低次元多様体上に存在することを示す。 リモートセンシング,科学文書,交通予測などの合成および実世界のデータセット実験により,本手法が一般化精度とロバスト性の両方において既存の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） (2025-05-17T12:39:45Z)
• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• Coordinate Independent Convolutional Networks -- Isometry and Gauge Equivariant Convolutions on Riemannian Manifolds [70.32518963244466]
  平坦空間と比較して大きな複雑さは、コンボリューション核が多様体にどのようなアライメントを適用するべきかが不明確であることである。 コーディネート化の特定の選択は、ネットワークの推論に影響を与えるべきではない、と我々は主張する。 座標独立と重み共有の同時要求は、ネットワーク上の同変要求をもたらす。
  論文  参考訳（メタデータ） (2021-06-10T19:54:19Z)
• Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs [81.12344211998635]
  メッシュ上の畳み込みを定義する一般的なアプローチは、それらをグラフとして解釈し、グラフ畳み込みネットワーク(GCN)を適用することである。 本稿では、GCNを一般化して異方性ゲージ同変カーネルを適用するGauge Equivariant Mesh CNNを提案する。 本実験は,従来のGCNおよび他の手法と比較して,提案手法の表現性を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-11T17:21:15Z)

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。