論文の概要: Unlocking Temporal Generalization in Hamiltonian Video Dynamics Models

• arxiv url: http://arxiv.org/abs/2607.07763v1
• Date: Wed, 08 Jul 2026 15:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.292831
• Title: Unlocking Temporal Generalization in Hamiltonian Video Dynamics Models
• Title（参考訳）: ハミルトンビデオダイナミクスモデルにおけるアンロック時間一般化
• Abstract要約: Hamiltonian Generative Networks (HGN) は原則的な経路を提供する。 我々は,HGNのロールアウトが,異なる障害モードのため,トレーニング体制以外のステップサイズで失敗することを示す。 詳細な分析では、連続時間ビデオ生成における時間的一般化を可能にするためのいくつかの戦略を推奨する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models are typically trained to predict discrete-time physical dynamics with a fixed step size baked into the model weights, preventing prediction at variable temporal resolutions. This matters for hierarchical planning, sim-to-real transfer, and scientific or game-engine applications that must query the same dynamics at multiple timescales. Hamiltonian Generative Networks (HGN) offer a principled path forward, grounding predictions in a continuous-time energy function that is, in principle, independent of the observation frame rate. In practice, however, their temporal generalization breaks down in non-conservative settings. We show that in externally forced, dissipative environments, HGN rollouts at step sizes beyond the training regime fail due to distinct failure modes, including latent magnitude growth driven by an unconstrained action-force map, and global truncation error accumulation from an under-resolved integrator. We identify a targeted fix for each mechanism and demonstrate stable dynamics prediction at temporal resolutions well outside the training distribution. In a detailed analysis, we recommend several strategies for enabling temporal generalization in continuous-time video generation.
• Abstract（参考訳）: 世界モデルは典型的には、モデルの重みに一定のステップサイズで離散時間物理力学を予測するように訓練されており、変動時間分解能の予測を妨げている。 これは階層的な計画、シム・トゥ・リアル・トランスファー、複数の時間スケールで同じダイナミクスをクエリしなければならない科学やゲームエンジンのアプリケーションにとって重要である。 Hamiltonian Generative Networks (HGN) は、観測フレームレートとは独立な連続時間エネルギー関数の予測を基礎として、原則化された経路を前方に提供する。 しかし実際には、それらの時間的一般化は非保守的な設定で分解される。 本研究では, 外部から強制的に散逸する環境において, HGNロールアウトは, 非拘束作用力マップによって駆動される潜時的な成長や, 未解決積分器からの大域的脱落誤差の蓄積など, 異なる障害モードによって失敗することを示す。 我々は,各機構の目標となる修正を同定し,トレーニング分布外において時間分解能の安定な動的予測を示す。 詳細な分析では、連続時間ビデオ生成における時間的一般化を可能にするためのいくつかの戦略を推奨する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• LaWM: Least Action World Models for Long-Horizon Physical Consistency from Visual Observations [9.35652906982887]
  学習された視覚的潜伏空間における最小アクションの原理を運用するためのラストアクション世界モデル(LaWM)を提案する。 LaWMは、学習された一般化された座標に観測を符号化し、連続的な潜伏状態上で潜在離散ラグランジアンを学ぶ。 遷移は離散的な変動原理によって誘導されるため、LaWMは長期の視覚予測のための構造保存バイアスを提供する。
  論文  参考訳（メタデータ） (2026-05-08T07:03:13Z)
• The Global Neural World Model: Spatially Grounded Discrete Topologies for Action-Conditioned Planning [0.9137554315375919]
  我々は、トポロジカル量子化を実現する自己安定化フレームワークであるGNWM(Global Neural World Model)を提案する。 JEPA(Joint-Embedding Predictive Architecture)として活動する 筆者らは, このアーキテクチャにより, 「グリッドスナッピング」 を固有誤差補正機構として利用することにより, 自己回帰ロールアウト時の多様体のドリフトを防止することができることを示した。
  論文  参考訳（メタデータ） (2026-04-17T15:12:15Z)
• CtrlAttack: A Unified Attack on World-Model Control in Diffusion Models [92.04182855442254]
  我々は、I2Vモデルの脆弱性を分析し、時間的制御機構が新たな攻撃面を構成することを発見し、それらを一様にモデル化することの難しさを明らかにする。 我々はCtrlAttackと呼ばれるトラジェクトリ制御攻撃を提案し、生成過程における状態の進化を妨害する。 実験結果から,低次元および高規則化摂動制約下であっても,時間的一貫性を著しく損なう可能性が示唆された。
  論文  参考訳（メタデータ） (2026-03-13T08:05:50Z)
• A Deep Surrogate Model for Robust and Generalizable Long-Term Blast Wave Prediction [12.76666434787901]
  RGD-Blastは、高忠実で長期の爆発波予測のための頑健で一般化可能なディープサロゲートモデルである。 RGD-Blastには、グローバルフローパターンと局所境界相互作用の両方をキャプチャするマルチスケールモジュールが組み込まれており、自動回帰予測時のエラー蓄積を効果的に軽減している。 実験により、RGD-Blastは、同等の精度を維持しながら、2次のマグニチュードスピードアップを達成することが示された。
  論文  参考訳（メタデータ） (2026-02-20T12:14:28Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Constraint Breeds Generalization: Temporal Dynamics as an Inductive Bias [1.219017431258669]
  制約は、制約としてではなく、一般化を生み出す時間的帰納バイアスとして機能する。 我々は、堅牢なAI開発には、制限のスケーリングと削除だけでなく、自然に一般化を促進する時間的特性を計算的にマスターする必要があることを示す。
  論文  参考訳（メタデータ） (2025-12-30T00:34:24Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。