論文の概要: Valdi: Value Diffusion World Models

• arxiv url: http://arxiv.org/abs/2607.00917v1
• Date: Wed, 01 Jul 2026 13:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.899906
• Title: Valdi: Value Diffusion World Models
• Title（参考訳）: Valdi: 価値拡散の世界モデル
• Abstract要約: 世界モデルは、モデル予測制御(MPC)を可能にすることができるが、これは、オンラインの使用に十分な速さで、不確実な未来を表現するのに十分な表現性を必要とする。 拡散モデルは不確実な力学をモデル化するための自然なメカニズムを提供するが、その反復推論手順は低遅延遅延計画に使用するのを困難にしている。 我々はこのギャップをバリュー拡散世界モデル(Valdi)で埋め、MPCのエンドツーエンドオンライントレーニングと潜伏拡散力学モデルを組み合わせた。
• 参考スコア（独自算出の注目度）: 9.342187139336017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World models can enable Model Predictive Control (MPC), but this requires dynamics prediction that is both fast enough for online use and expressive enough to represent uncertain futures. Diffusion models offer a natural mechanism for modeling uncertain dynamics, yet their iterative inference procedure makes them difficult to use for low-latency latent planning. We bridge this gap with Value Diffusion World Models (Valdi), combining end-to-end online training for MPC with a latent diffusion dynamics model. In preliminary experiments on the CarRacing environment, we show that Valdi, using a single diffusion step at both training and inference, matches a deterministic MLP baseline. Our experiments expose a trade-off between predictive multimodality and control performance in this setup. Code is available at https://github.com/Kit115/ValueDiffusionWorldModels.
• Abstract（参考訳）: 世界モデルは、モデル予測制御(MPC)を可能にするが、これは、オンラインの使用に十分な速度と、不確実な未来を表現するのに十分な表現性の両方を必要とする。 拡散モデルは不確実な力学をモデル化するための自然なメカニズムを提供するが、その反復推論手順は低遅延遅延計画に使用するのを困難にしている。 我々はこのギャップをバリュー拡散世界モデル(Valdi)で埋め、MPCのエンドツーエンドオンライントレーニングと潜伏拡散力学モデルを組み合わせた。 CarRacing環境の予備実験では、トレーニングと推論の両方において単一の拡散ステップを用いて、Valdiが決定論的MPPベースラインと一致することを示した。 本実験では,予測的マルチモーダリティと制御性能のトレードオフを明らかにする。 コードはhttps://github.com/Kit115/ValueDiffusionWorldModelsで入手できる。

関連論文リスト

• A Probabilistic Consensus-Driven Approach for Robust Counterfactual Explanations [2.4788097726838667]
  本稿では,モデル変更に対するロバスト性を確保するために,データ分布と妥当なモデル決定空間を共同でモデル化する手法を提案する。 提案手法は,CFEをモデル変化に対して可塑性かつ安定な領域へ効果的にプッシュする。
  論文  参考訳（メタデータ） (2026-04-19T15:31:18Z)
• STLDM: Spatio-Temporal Latent Diffusion Model for Precipitation Nowcasting [22.29494904927957]
  降水流しは、異常気象による深刻な被害を防ぐための社会にとって重要な予測課題である。 STLDMと呼ばれるシンプルなモデルアーキテクチャを提案する。これは拡散に基づくモデルであり、Varitemporal Autoencoder と Conditioning Network の両方とともに、終端から終端までの潜伏表現を学習する。
  論文  参考訳（メタデータ） (2025-12-24T11:34:44Z)
• Score-based Membership Inference on Diffusion Models [3.742113529511043]
  拡散モデルに対するメンバーシップ推論攻撃(MIA)は、プライバシーの懸念が強まっている。 本稿では,拡散モデルが近似することを学習する予測ノイズベクトルに着目し,スコアベースMIAの理論的,実証的研究を行う。 提案手法は, トレーニングセットに近づき, メンバシップが明らかになるような, 近隣のトレーニングサンプルのカーネル重み付き局所平均に対して, 期待されたデノイザ出力が向けられることを示す。
  論文  参考訳（メタデータ） (2025-09-29T16:28:55Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Scaling Diffusion Language Models via Adaptation from Autoregressive Models [105.70889434492143]
  拡散言語モデル(DLM)は、テキスト生成モデルのための将来性のある新しいパラダイムとして登場した。 170Mから7BまでのARモデルをDiffuGPTとDiffuLLaMAの拡散モデルに変換し、200B未満のトークンでトレーニングできることを示す。 実験の結果,これらのモデルは初期のDLMよりも優れており,ARと競合していることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T14:04:22Z)
• Adaptive Training Meets Progressive Scaling: Elevating Efficiency in Diffusion Models [52.1809084559048]
  TDCトレーニングと呼ばれる新しい2段階分割型トレーニング戦略を提案する。 タスクの類似性と難易度に基づいてタイムステップをグループ化し、高度にカスタマイズされた復調モデルを各グループに割り当て、拡散モデルの性能を向上させる。 2段階のトレーニングでは、各モデルを個別にトレーニングする必要がなくなるが、総トレーニングコストは、単一の統合されたデノナイジングモデルをトレーニングするよりもさらに低い。
  論文  参考訳（メタデータ） (2023-12-20T03:32:58Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• Enhanced Controllability of Diffusion Models via Feature Disentanglement and Realism-Enhanced Sampling Methods [27.014858633903867]
  拡散モデル(FDiff)の特徴分散のためのトレーニングフレームワークを提案する。 本稿では,拡散モデルの現実性を高め,制御性を高める2つのサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-28T07:43:00Z)

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。