論文の概要: A Path-Space Formulation of Prediction in World Models: From a Single Action to Prediction, Planning, and Irreversibility

• arxiv url: http://arxiv.org/abs/2606.28751v1
• Date: Sat, 27 Jun 2026 06:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.677072
• Title: A Path-Space Formulation of Prediction in World Models: From a Single Action to Prediction, Planning, and Irreversibility
• Title（参考訳）: 世界モデルにおける予測の経路空間定式化:1つの行動から予測・計画・可逆性へ
• Authors: Gunn Kim,
• Abstract要約: 本稿では,AI世界モデルにおける予測の経路空間の定式化を提案する。 潜在力学を可逆成分と可逆成分に分解する。 注意非対称性は、データの不可逆性に比例して訓練中に獲得される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a path-space formulation of prediction in AI world models. Rather than sequences of one-step conditional distributions, we argue that a world model implicitly defines a probability measure over future trajectories. In the local regime where latent dynamics admit an effective Markovian description, this path measure takes the Onsager-Machlup form. Within this framework, prediction (most probable trajectory), planning (constrained optimization), and uncertainty (fluctuations) emerge as operations on a single action functional. We decompose the latent dynamics into reversible and irreversible components and introduce operational measures of entropy production from model rollouts. In controlled small-scale attention-based models, we find that attention asymmetry is acquired during training in proportion to the irreversibility of the data. Symmetrizing the learned attention suppresses entropy production and selectively degrades long-horizon prediction of irreversible dynamics while preserving relaxational prediction. These results suggest that irreversibility may serve as a computational resource for predictive world models. More generally, the fundamental predictive object is a distribution over future paths rather than states.
• Abstract（参考訳）: 本稿では,AI世界モデルにおける予測の経路空間の定式化を提案する。 一段階の条件分布の列ではなく、世界モデルは将来の軌道上の確率測度を暗黙的に定義する。 潜在力学が有効マルコフ的記述を許容する局所的な状態において、この経路測度はオンサーガー・マクルップ形式を取る。 この枠組みの中では、予測(最も予測可能な軌道)、計画(制約付き最適化)、不確実性(変動)が単一の作用関数の操作として現れる。 潜在動力学を可逆的かつ可逆的成分に分解し, モデルロールアウトからエントロピー生産の運用方法を導入する。 制御された小規模注意ベースモデルでは、データの不可逆性に比例して注意非対称性が訓練中に取得される。 学習注意の対称性はエントロピー生成を抑制し、緩和予測を保ちながら、不可逆ダイナミクスの長期水平予測を選択的に劣化させる。 これらの結果は、予測的世界モデルのための計算資源として、不可逆性が役立つことを示唆している。 より一般に、基本的な予測対象は状態ではなく将来の経路上の分布である。

関連論文リスト

• Feedback World Model Enables Precise Guidance of Diffusion Policy [36.965417653906535]
  本稿では,推定時刻における予測と観測のループを閉じる新たなパラダイムであるフィードバック・ワールド・モデルを提案する。 本手法は,分布シフト時の予測精度とポリシー性能を大幅に向上することを示す。 特に、世界モデルの予測誤差を最大76.4%削減し、アウト・オブ・ディストリビューション(OOD)の成功率を30%改善する。
  論文  参考訳（メタデータ） (2026-05-15T07:52:13Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Stochasticity in Motion: An Information-Theoretic Approach to Trajectory Prediction [9.365269316773219]
  本稿では、軌道予測における不確実性モデリングの課題を全体論的アプローチで解決する。 情報理論を基礎とした本手法は,不確実性を測定する理論的に原理化された方法を提供する。 従来の作業とは異なり、我々のアプローチは最先端のモーション予測器と互換性があり、より広い適用性を実現している。
  論文  参考訳（メタデータ） (2024-10-02T15:02:32Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction [6.029850098632435]
  軌道予測モデルは、有限未来の軌道とその関連する不確実性の両方をオンライン環境で推測することができる。 本研究では、予測された軌道の不確かさを定量化するために、分散シフトフレームワークCUQDSのコンフォーマル不確実性定量化を提案する。
  論文  参考訳（メタデータ） (2024-06-17T21:25:36Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。