論文の概要: CoRDE: Concept-Prior Routed Diffusion Experts for Structural Generalization in Robot Manipulation

• arxiv url: http://arxiv.org/abs/2606.21935v1
• Date: Sat, 20 Jun 2026 08:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 23:46:01.476501
• Title: CoRDE: Concept-Prior Routed Diffusion Experts for Structural Generalization in Robot Manipulation
• Title（参考訳）: CoRDE:ロボット操作における構造一般化のための概念-論理経路拡散エキスパート
• Authors: Haidong Huang, Xixin Zhao, Yaohua Zhou, Jiayu Song, Jiayi Zhang, Jun Ma, Haiyue Zhu, Xiaocong Li,
• Abstract要約: CoRDE(Concept-prior Routed Diffusion Experts)は、構造誘導型変量蒸留フレームワークである。 CoRDEは凍結概念エンコーダから意味分布を抽出し、変動後責任を導出する。 優れたアクション品質と漸進的な学習効率を実現しつつ、堅牢でセマンティックに整合した専門家アロケーションを形成します。
• 参考スコア（独自算出の注目度）: 13.845777652673767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models excel at capturing multi-modal action distributions in robot imitation learning. However, in multi-task and long-horizon scenarios, monolithic architectures lack structural generalization capabilities, suffering from gradient conflicts between distinct semantic sub-stages. While pure data-driven Mixture-of-Experts (MoE) methods introduce labor division, they frequently trigger routing collapse, and instantiating full-scale experts causes parameter explosion and high expansion costs. To address these issues, we propose Concept-prior Routed Diffusion Experts (CoRDE), a structure-guided variational distillation framework. CoRDE extracts semantic distributions from a frozen concept encoder to guide the variational posterior responsibility via a learnable soft mapping matrix. This mechanism introduces an entropy-controlled responsibility inference process that encourages confident routing under reliable semantic predictions while preserving the stochastic diffusion term for behavioral diversity. To overcome parameter inflation, CoRDE employs a parameter-efficient expert pool using Low-Rank Adaptation (LoRA) on a shared frozen backbone. Theoretical analysis shows that the mixture score discrepancy is bounded by responsibility-weighted local expert errors, supporting high-fidelity generation under low-rank expert adaptation. Empirical evaluations confirm that, compared to existing baselines, CoRDE systematically reduces routing collapse, forming robust, semantically aligned expert allocations while achieving superior action quality and incremental learning efficiency.
• Abstract（参考訳）: 拡散モデルは、ロボット模倣学習におけるマルチモーダルな行動分布を捉えるのに優れている。 しかし、マルチタスクとロングホライゾンのシナリオでは、モノリシックアーキテクチャは構造的一般化能力が欠如しており、異なるセマンティックサブステージ間の勾配の衝突に悩まされている。 純粋なデータ駆動型Mixture-of-Experts(MoE)手法は労働部門を導入しているが、それらはしばしばルーティングの崩壊を引き起こし、フルスケールの専門家をインスタンス化することでパラメータの爆発と高い拡張コストを引き起こす。 これらの課題に対処するため,構造誘導型変分蒸留フレームワークであるCoRDE(Concept-prior Routed Diffusion Experts)を提案する。 CoRDEは凍結した概念エンコーダから意味分布を抽出し、学習可能なソフトマッピング行列を介して変動後責任を導出する。 このメカニズムはエントロピー制御された責任推論プロセスを導入し、行動多様性の確率的拡散項を保ちながら、信頼できるセマンティック予測の下で確実なルーティングを促進する。 パラメータインフレーションを克服するために、CoRDEは、共有冷凍バックボーン上にローランド適応(LoRA)を用いてパラメータ効率の高いエキスパートプールを使用する。 理論的解析により、混合スコアの差は責任重み付き局所的専門家誤差によって制限され、低ランクの専門家適応下での高忠実度生成をサポートすることが示されている。 経験的評価では、既存のベースラインと比較して、CoRDEはルーティングの崩壊を体系的に低減し、より優れたアクション品質と漸進的な学習効率を達成しつつ、堅牢でセマンティックに整合した専門家アロケーションを形成する。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• PEAM: Parametric Embodied Agent Memory through Contrastive Internalization of Experience in Minecraft [59.80301645617478]
  本稿では,MinecraftのParametric Embodied Agent MemoryフレームワークであるPEAMを紹介する。 PEAMは、エージェントメモリを推論時間検索から経験を通して内部化されたパラメータレジデントスキルに変換する。 PEAMは,長時間のタスクパフォーマンスを改善し,従来と統合されていたスキルの忘れを軽減し,パラメトリック・ヴァーサス・検索効率を向上させる。
  論文  参考訳（メタデータ） (2026-05-26T23:20:58Z)
• Towards Adaptive Continual Model Merging via Manifold-Aware Expert Evolution [33.44708543696699]
  MADE-ITは、多様体幾何学における本質的な専門家表現を基礎にして、専門家の管理と活性化をオーケストレーションする。 実験により、MADE-ITは、長い水平およびシャッフルされたタスクシーケンスの精度と堅牢性において、強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-04-24T11:35:53Z)
• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• SecDiff: Diffusion-Aided Secure Deep Joint Source-Channel Coding Against Adversarial Attacks [73.41290017870097]
  SecDiffは、プラグイン・アンド・プレイの拡散支援デコーディングフレームワークである。 対向無線環境下での深部JSCCの安全性と堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-03T11:24:06Z)
• A Knowledge-Driven Diffusion Policy for End-to-End Autonomous Driving Based on Expert Routing [43.930171390617055]
  本稿では,知識駆動型拡散モデルであるKDPと,スパース・ミックス・オブ・エキスパート・ルーティング機構の統合について述べる。 代表的な運転シナリオに対する実験では、KDPは成功率を一貫して向上し、衝突リスクを低減し、一般的なパラダイムよりもスムーズな制御を実現している。 これらの結果は、知識駆動型エンドツーエンド自動運転のためのスケーラブルで解釈可能なパラダイムとして、エキスパートルーティングと拡散を確立する。
  論文  参考訳（メタデータ） (2025-09-05T07:07:18Z)
• Partially Functional Dynamic Backdoor Diffusion-based Causal Model [2.922436362861351]
  部分機能的動的バックドア拡散に基づく因果モデル(PFD-BDCM)を導入する。 PFD-BDCMは、有効なバックドア調整を拡散サンプリング機構に組み込んで、測定されていない共同設立者からのバイアスを軽減する。 実測値の誤差設定による理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-08-30T12:11:23Z)
• Alpha-VI DeepONet: A prior-robust variational Bayesian approach for enhancing DeepONets with uncertainty quantification [0.0]
  一般化変分推論(GVI)を組み込んだ新しいディープオペレータネットワーク(DeepONet)を提案する。 分岐ネットワークとトランクネットワークのビルディングブロックとしてベイズニューラルネットワークを組み込むことで,不確実な定量化が可能なDeepONetを実現する。 変動目的関数の修正は平均二乗誤差を最小化する点で優れた結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-08-01T16:22:03Z)

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。