論文の概要: Domain Arithmetic: One-Shot VLA Adaptation under Environmental Shifts
- arxiv url: http://arxiv.org/abs/2607.00666v1
- Date: Wed, 01 Jul 2026 09:13:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.823963
- Title: Domain Arithmetic: One-Shot VLA Adaptation under Environmental Shifts
- Title（参考訳）: ドメイン算術:環境変化下におけるワンショットVLA適応
- Abstract要約: 本稿では,重みベクトル算術を通して環境変化下でのVLAモデルを適応するアナロジーに基づく手法を提案する。
従来のアプローチとは異なり、DARTは1つのデモのみを収集し、効率的な適応を可能にする必要がある。
シミュレーションと実世界の両方の実験において、DARTは既存のVLA適応法を1ショットシナリオで上回っている。
- 参考スコア（独自算出の注目度）: 24.352848169805426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language-Action (VLA) models often fail to perform the same learned tasks under environmental shifts, such as changes in camera pose and shifts to a different but similar robot (e.g., from Panda to UR5e). Adapting these models to the shifted environment (i.e., target domain) often requires training on multiple demonstrations for each task, which are costly to collect. To reduce the burden of data curation and training, we propose an analogy-based method that adapts VLA models under environmental shifts through weight vector arithmetic with domain-specific information addition, named Domain ARiThmetic (DART). Unlike prior approaches, DART requires collecting only a single demonstration, enabling efficient adaptation. To accurately isolate domain-specific information for addition, DART performs subspace alignment between singular components in weight vectors to filter out noisy components. In both simulated and real-world experiments, DART outperforms existing VLA adaptation methods in one-shot scenarios across diverse visual and embodiment shifts. Code is available at https://github.com/snumprlab/dart.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、カメラのポーズの変化や、異なるが類似したロボット(例えば、パンダからUR5e)へのシフトなど、環境シフトの下で同じ学習タスクを実行することができないことが多い。
これらのモデルをシフトした環境(すなわちターゲットドメイン)に適応させるには、各タスクの複数のデモをトレーニングする必要があることが多い。
データキュレーションとトレーニングの負担を軽減するため,DART(Domain ARiThmetic,Domain ARiThmetic)というドメイン固有情報付加を伴う重みベクトル算術により,環境変化下でのVLAモデルを適応する類似手法を提案する。
従来のアプローチとは異なり、DARTは1つのデモのみを収集し、効率的な適応を可能にする必要がある。
追加のためのドメイン固有情報を正確に分離するために、DARTは重みベクトルの特異成分間の部分空間アライメントを行い、ノイズの多い成分をフィルタリングする。
シミュレーションと実世界の両方の実験において、DARTは既存のVLA適応法を、様々な視覚的および実施的シフトの1ショットシナリオで上回っている。
コードはhttps://github.com/snumprlab/dart.comで入手できる。
関連論文リスト
- Domain-Division based Progressive Learning for Source-Free Domain Adaptation [73.44692421206774]
ソースフリードメイン適応は、ソース事前訓練されたモデルとラベルなしのターゲットドメインのみを必要とする。
DPLというドメイン分割に基づくプログレッシブラーニング手法を提案する。
我々のアプローチは2つの交互段階から構成されており、それぞれが対象領域の分割から始まり、適応し易く、適応し難い状態になる。
論文 参考訳（メタデータ） (2026-07-31T09:21:56Z) - EUDA: An Efficient Unsupervised Domain Adaptation via Self-Supervised Vision Transformer [21.59850502993888]
教師なしドメイン適応(UDA)は、トレーニング(ソース)データの分散がテスト(ターゲット)データと異なる領域シフトの問題を軽減することを目的としている。
この問題に対処するために多くのモデルが開発され、近年では視覚変換器(ViT)が有望な結果を示している。
本稿では、トレーニング可能なパラメータを削減し、調整可能な複雑性を実現するための効率的なモデルを提案する。
論文 参考訳（メタデータ） (2024-07-31T03:29:28Z) - Leveraging Normalization Layer in Adapters With Progressive Learning and
Adaptive Distillation for Cross-Domain Few-Shot Learning [27.757318834190443]
モデルはベースクラスでトレーニングされ、手元に数個のサンプルしか持たない、さまざまなドメインの新しいクラスでテストされなければならない。
本稿では,Progressive Learning and Adaptive Distillation (ProLAD) アダプタにおける正規化層を利用した新しい汎用フレームワークを提案する。
2つのアダプタのプログレッシブトレーニングと、正規化層のアダプタを欠いたモデルによって決定された特徴から導かれる適応蒸留技術である。
論文 参考訳（メタデータ） (2023-12-18T15:02:14Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Progressive Transformation Learning for Leveraging Virtual Images in
Training [21.590496842692744]
本稿では,PTL(Progressive Transformation Learning)を導入し,リアル性を高めた仮想画像を追加することにより,トレーニングデータセットを増強する。
1) 領域ギャップに応じて仮想イメージのプールからサブセットを選択する,2) 選択した仮想イメージを変換してリアリズムを向上する,3) 変換された仮想イメージをトレーニングセットに追加する,という3つのステップを段階的に繰り返す。
実験により、PTLは、特に小さなデータとクロスドメインシステムにおいて、ベースラインよりも大幅にパフォーマンスが向上することが示された。
論文 参考訳（メタデータ） (2022-11-03T13:04:15Z) - Exploiting Instance-based Mixed Sampling via Auxiliary Source Domain
Supervision for Domain-adaptive Action Detection [75.38704117155909]
本稿では,新しいドメイン適応型行動検出手法と新しい適応プロトコルを提案する。
クロスドメイン混合サンプリングと組み合わせた自己学習は、UDAコンテキストにおいて顕著なパフォーマンス向上を示した。
我々は提案したフレームワークをドメイン適応アクション・インスタンス・ミックス(DA-AIM)と呼ぶ。
論文 参考訳（メタデータ） (2022-09-28T22:03:25Z) - The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by
Normalization [10.274423413222763]
ドメイン適応は、学習したモデルを、ドメインシフトやデータ分散の変更など、新しいシナリオに適応するために不可欠である。
現在のアプローチは通常、シフトしたドメインから大量のラベル付きまたはラベルなしのデータを必要とする。
本稿では,この問題を解決するために動的教師なし適応(DUA)を提案する。
論文 参考訳（メタデータ） (2021-12-01T12:43:41Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - One to Many: Adaptive Instrument Segmentation via Meta Learning and
Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。
ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。
2つのデータセットで他の最先端のメソッドよりも優れています。
論文 参考訳（メタデータ） (2021-03-24T05:02:18Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳（メタデータ） (2020-07-06T17:59:30Z)
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。