論文の概要: Scale Up Strategically: Learning Compositional Generalization via Bias-Aware Evaluation and Data Collection for Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2607.21582v1
- Date: Thu, 23 Jul 2026 17:57:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.514557
- Title: Scale Up Strategically: Learning Compositional Generalization via Bias-Aware Evaluation and Data Collection for Robotic Manipulation
- Title（参考訳）: 戦略的にスケールアップする:ロボットマニピュレーションのためのバイアス認識評価とデータ収集による構成一般化学習
- Authors: Yu Qi, Zhang Ye, Xinyi Xu, Yuxuan Lu, Amitoj Sandhu, Boce Hu, Haojie Huang, Jonathan Tremblay, Lawson L. S. Wong,
- Abstract要約: 事前訓練された政策はショートカットを取ることが知られており、接地言語よりも有能な手段に委ねられている。
本稿では,この障害を個別のテクストインストラクション因子にローカライズする診断フレームワークを提案する。
提案手法は,指示要因の偏り,微調整された政策がショートカットとして支配的な要因を過度に無視する傾向を定式化する。
- 参考スコア（独自算出の注目度）: 31.158714220726683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compositional generalization is essential for robot to follow diverse instructions. However, pretrained policies are known to take shortcuts, deferring to salient cues rather than grounding language. We introduce a diagnostic framework that localizes this failure to individual \textit{instruction factors}, \textit{e.g.,} reusable semantic components such as color, verb, object, size, and spatial attribute. Our framework formalizes instruction factor bias, the tendency of fine-tuned policies to over-rely on dominant factors as shortcuts, and quantifies it through two metrics: Factor Dominance Rate (FDR), capturing pairwise bias between factors, and Factor Dominance Hierarchy (FDH), aggregating these into a global ranking. Evaluation on six foundation policies reveals broadly consistent ordering, \textit{i.e.}, color $\geq$ object $\geq$ spatial $\geq$ verb $\geq$ size, with color dominant, and verb and size most under-grounded. We further show the diagnosis is actionable: a bias-aware data collection strategy that reallocates a fixed budget toward under-grounded factors outperforms baselines in simulation and on a real robot using half the demonstrations, thereby enabling more sample-efficient and generalizable policy learning.
- Abstract（参考訳）: 構成的一般化は、ロボットが多様な指示に従うために不可欠である。
しかし、事前訓練された政策はショートカットを取ることが知られており、言語を基礎づけるよりも有能な手段に委ねられている。
本稿では,この障害を色,動詞,オブジェクト,サイズ,空間属性などの再利用可能なセマンティックコンポーネントにローカライズする診断フレームワークを提案する。
筆者らの枠組みは, 指導要因の偏り, 微調整された政策の傾向をショートカットとして過度に評価し, 因子支配率 (FDR) と因子支配階層 (FDH) の2つの指標で定量化し, それらをグローバルなランキングに集約する。
color $\geq$ object $\geq$ space $\geq$ verb $\geq$ size, with color dominant, verb and size most under-grounded。
偏見を意識したデータ収集戦略は, シミュレーションや実ロボットにおいて, 基準値よりも精度が高く, よりサンプリング効率が高く, 一般化可能なポリシー学習を可能にする。
関連論文リスト
- Coupling Local Context and Global Semantic Prototypes via a Hierarchical Architecture for Rhetorical Roles Labeling [5.444158140267451]
修辞的役割ラベルリング(RRL)は、文書内の各文の機能的役割を特定する。
ローカルコンテキストとグローバル表現を統合する2つのプロトタイプベースの手法を提案する。
法、医学、科学的ベンチマークの実験は、強い基準線よりも一貫した改善を示している。
論文 参考訳（メタデータ） (2026-03-04T09:05:24Z) - Bias Is a Subspace, Not a Coordinate: A Geometric Rethinking of Post-hoc Debiasing in Vision-Language Models [13.46898179372249]
VLM(Vision-Language Models)は、マルチモーダルな推論には欠かせないものとなっているが、それらの表現はしばしば人口統計バイアスをエンコードし増幅している。
線形デオード可能なバイアスの全部分空間を同定・除去する幾何学的原理の枠組みを提案する。
提案手法は, 4つのフェアネス指標に対して平均18.5%の精度向上を達成し, より堅牢なデバイアス化を実現する。
論文 参考訳（メタデータ） (2025-11-22T17:04:30Z) - Shortcut Learning in Generalist Robot Policies: The Role of Dataset Diversity and Fragmentation [117.54237701533805]
Open X-Embodiment (OXE)のような大規模データセットでトレーニングされた汎用的なロボットポリシーは、幅広いタスクにわたって強力なパフォーマンスを示している。
彼らはしばしば、トレーニングデータの分布を超えて一般化するのに苦労する。
我々は,ショートカット学習を一般化の鍵となる障害として認識する。
論文 参考訳（メタデータ） (2025-08-08T16:14:01Z) - PRISM: A Framework for Producing Interpretable Political Bias Embeddings with Political-Aware Cross-Encoder [17.00358234728804]
PRISMはinteRpretable polItical biaS eMbeddingsを製造するためのフレームワークである。
弱いラベル付けされたニュースデータから政治トピックとそれに対応するバイアス指標を抽出する。
次に、構造化されたバイアススコアを、これらの指標との整合性に基づいてニュース記事に割り当てる。
論文 参考訳（メタデータ） (2025-05-30T14:31:53Z) - Revisiting Evaluation Metrics for Semantic Segmentation: Optimization
and Evaluation of Fine-grained Intersection over Union [113.20223082664681]
そこで本研究では,mIoUsの微細化と,それに対応する最悪の指標を提案する。
これらのきめ細かいメトリクスは、大きなオブジェクトに対するバイアスの低減、よりリッチな統計情報、モデルとデータセット監査に関する貴重な洞察を提供する。
ベンチマークでは,1つの測定値に基づかないことの必要性を強調し,微細なmIoUsが大きな物体への偏りを減少させることを確認した。
論文 参考訳（メタデータ） (2023-10-30T03:45:15Z) - How to Handle Different Types of Out-of-Distribution Scenarios in Computational Argumentation? A Comprehensive and Fine-Grained Field Study [59.13867562744973]
この研究は、オフ・オブ・ディストリビューション(OOD)シナリオにおけるLMの能力を体系的に評価する。
このような学習パラダイムの有効性は,OODの種類によって異なることがわかった。
具体的には、ICLはドメインシフトに優れているが、プロンプトベースの微調整はトピックシフトに勝っている。
論文 参考訳（メタデータ） (2023-09-15T11:15:47Z) - Understanding Robust Generalization in Learning Regular Languages [85.95124524975202]
我々は、リカレントニューラルネットワークを用いて正規言語を学習する文脈における堅牢な一般化について研究する。
この問題に対処するための構成戦略を提案する。
構成戦略がエンド・ツー・エンド戦略よりもはるかに優れていることを理論的に証明する。
論文 参考訳（メタデータ） (2022-02-20T02:50:09Z) - DecAug: Out-of-Distribution Generalization via Decomposed Feature
Representation and Semantic Augmentation [29.18840132995509]
深層学習は、しばしば分布外(OoD)一般化に苦しむ。
OoD一般化のための新しい分解特徴表現および意味的拡張アプローチであるDecAugを提案する。
DecAugは、さまざまなOoDデータセットの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） (2020-12-17T03:46:09Z) - CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and
Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。
タスクは、ブロックのセットから3D形状を構築することで構成される。
論文 参考訳（メタデータ） (2020-10-08T23:01:13Z) - Constructing interval variables via faceted Rasch measurement and
multitask deep learning: a hate speech application [63.10266319378212]
本稿では,教師付き深層学習と多面的ラッシュアイテム応答理論(IRT)構築手法を組み合わせることで,連続区間スペクトル上の複素変数を測定する手法を提案する。
われわれは、YouTube、Twitter、Redditから5万件のソーシャルメディアコメントを収集し、1万1000人の米国拠点のAmazon Mechanical Turkの労働者によってラベル付けされたデータセット上で、この新しい手法を実証した。
論文 参考訳（メタデータ） (2020-09-22T02:15:05Z)
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。