論文の概要: INTACT: Isomorphic Intent-to-Action Learning for Search-Free World Models

• arxiv url: http://arxiv.org/abs/2607.26056v1
• Date: Tue, 28 Jul 2026 17:59:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.95659
• Title: INTACT: Isomorphic Intent-to-Action Learning for Search-Free World Models
• Title（参考訳）: INTACT: 検索自由世界モデルのための同型インテント・ツー・アクション学習
• Abstract要約: INTACT(Intent-To-ACTion)は、アクションラベル付き、報酬なしの軌道をインテント・トゥ・アクションインターフェースに変換するエンドツーエンドのJEPAである。 各トランジションは物理的インテント$z_t+1-z_t$を提供し、将来のゴールはデプロイメントインテント$operatornamesg(z_g)-z_t$を提供する。 公式の4つのLeWMタスクでは、ゼロサーチモデルは85.78%、100.00%、97.67%、97.89に達した。
• 参考スコア（独自算出の注目度）: 10.370234132981677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forward latent world models predict how actions change a scene, but recover actions for a desired change only through expensive test-time search. We introduce INTACT (INtent-To-ACTion), an end-to-end JEPA that turns action-labeled, reward-free trajectories into a deployable intent-to-action interface. Each transition supplies physical intent $z_{t+1}-z_t$, while a future goal supplies deployment intent $\operatorname{sg}(z_g)-z_t$. The architecture is isomorphic between the local and goal motion-intent backbone-input graphs through an identical four-slot grammar and shared parameters, and between supported local and goal motion-intent families through action-law semantics induced by the same predictor rather than pointwise latent equality. INTACT also provides intact transfer from RGB evidence to action-effective latent intent coordinates and from intent families to their corresponding action-law families. Asymmetric endpoint gradients ground physical successors and fix future goals as anchors, joining representation learning and control without pointwise latent matching or globally linear dynamics. The resulting coordinates support a robust distributional action law: its conditional mean serves directly as a search-free policy, while sampling remains available for diversity or optional verification. On the four official LeWM tasks, one-epoch, zero-search models reach 85.78\%, 100.00\%, 97.67\%, and 97.89\% success. Optional local CEM centered on the Direct plan reaches 96.86\% macro success using 384 instead of 9,000 candidate sequences, reducing sampling by $23.44\times$ while improving pure CEM by 16.00 points. One shared four-task encoder reaches 89.39\% E5 Direct macro and improves every task over jointly trained LeWM, while predicted--expert action-family kNN tracks Direct success at $r=0.954$. Direct inference takes 2.9--5.5 ms.
• Abstract（参考訳）: 前向きの潜在世界モデルは、アクションがどのようにシーンを変えるかを予測するが、要求される変更に対するアクションは、高価なテストタイムサーチによってのみ回復する。 INTACT(Intent-To-ACTion)は、アクションラベル付き、報酬なしのトラジェクトリをデプロイ可能なインテント・ツー・アクションインターフェースに変換するエンドツーエンドのJEPAである。 各トランジションは物理的インテント$z_{t+1}-z_t$を提供し、将来のゴールはデプロイメントインテント$\operatorname{sg}(z_g)-z_t$を提供する。 このアーキテクチャは、同一の4スロット文法と共有パラメータを通した局所的および目標的動き入出力グラフと、同一の予測子によって誘導される作用則的意味論を通じて支持された局所的および目標的動き入出力ファミリの間に同型である。 INTACTはまた、RGBエビデンスから、アクション効果のある潜在意図座標、およびインテントファミリーから対応するアクションローファミリーへ、無傷で移行する。 非対称な終端勾配は、物理的後継者を固定し、将来の目標をアンカーとして固定し、ポイントワイドな遅延マッチングや大域的な線形力学を使わずに表現学習と制御を結合する。 条件付き平均は直接検索不要ポリシーとして機能し、サンプリングは多様性や任意検証のために利用可能である。 公式の4つのLeWMタスクでは、ゼロサーチモデルは85.78\%、100.00\%、97.67\%、97.89\%に達する。 Direct Planを中心とした任意のローカルCEMは、9000の候補シーケンスの代わりに384を使用して96.86\%のマクロ成功に達し、サンプリングを23.44\times$で削減し、純粋なCEMを16.00ポイント改善した。 1つの共有4タスクエンコーダは、89.39\% E5 Direct macroに到達し、共同で訓練されたLeWMよりも全てのタスクを改善する。 直接推定は2.9～5.5msである。

関連論文リスト

• WLA$^3$: World Latent Action Modeling for Semantics, Dynamics, and Kinematics [33.75014442121971]
  WLA$3$ (World Latent Action Modeling for Semantics, Dynamics, and Kinematics)は、統一的なジェネラリストポリシーモデルフレームワークである。 WLA$3$は、世界潜在アクションモデル(WLAM)が、セマンティクス、ダイナミクス、キネマティクスで学んだ表現を再利用する。 LaryBenchでは、最後の32D遅延アクションは67.89%の平均的な分類精度に達する。
  論文  参考訳（メタデータ） (2026-09-14T16:59:00Z)
• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation [60.95802802905149]
  GIFT(Guided Intermediate Feature Training)は,中間機能学習のためのアーキテクチャフレキシブルなフレームワークである。 我々は、各モデルのアクション定式化を維持しつつ、ビジョンランゲージ・アクション(VLA)ポリシー、ダイレクトアクション・ワールド・アクション・モデル(WAM)、逆ダイナミクスWAMでGIFTをインスタンス化する。 RoboCasaでは3つのGIFTバージョンが61.4%、83.6%、82.3%に達し、それぞれ12.6、9.0、8.4ポイントを上回っている。
  論文  参考訳（メタデータ） (2026-09-03T17:59:03Z)
• AcrossWAM1.0:A Modular Latent World-Action Stack for Compact Robot Policies [14.556446786016787]
  本稿では,LaWAMの潜在的ワールドアクションスタックのモジュール化とスケーリングに関する研究であるAcrossWAM1.0を紹介する。 AcrossWAM1.0は、コンパクトな潜在世界アクションポリシーのための監査可能なソフトウェアと評価バウンダリを提供する。
  論文  参考訳（メタデータ） (2026-08-30T18:09:17Z)
• On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
  強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。 そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。 SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
  論文  参考訳（メタデータ） (2026-08-25T14:55:24Z)
• AgentWeave: Routing Before Reasoning for Efficient Function Calling in Tool-Rich Language Models [0.0]
  我々は,有界モデル可視アクション空間を構成する決定論的事前推論ルーティング層であるAgentWeaveを紹介する。 オールツールの露出とは対照的に、AgentWeaveは70.18%のツールを減らし、61.70%の入力トークンを減らし、平均的なローカルモデルのレイテンシを50.95%低下させる。
  論文  参考訳（メタデータ） (2026-08-24T10:38:08Z)
• No Gaussian Required: Contrastive Inverse Dynamics for JEPA World Models [2.506624215459612]
  JEPA(Joint-Embedding Predictive Architectures)は、将来の埋め込みを予測することで世界モデルを学ぶ。 すべての実用システムは、反崩壊機構を追加します。 我々は、反崩壊圧は移行データ自体から得ることができると主張している。
  論文  参考訳（メタデータ） (2026-08-18T09:03:35Z)
• RynnValue: Scaling Robotic Value Foundation Models with Temporal Distance [84.26294415726723]
  汎用報酬モデルが、ロボット学習のスケーリングのボトルネックになりつつある。 ロボット操作のためのオープンソースのバリューファンデーションモデルであるRynnValueを紹介した。 RynnValueは7000時間以上、好みやプログレッシブアノテーションなしで約3Mの命令条件付きクリップにスケールする。
  論文  参考訳（メタデータ） (2026-08-10T17:09:37Z)
• DreamTrajectory: Trajectory-Guided Action Generation with World Model Alignment for Mobile Manipulation [33.046851310859495]
  本稿では,DreamTrajectoryについて述べる。 MS-HABでは、軌道誘導は平均的な成功率を32.3%から47.5%に引き上げ、テストタイムの改善を54.8%に引き上げている。 3つの実世界のモバイル操作タスクにおいて、対応する平均成功率は63.3%、81.7%、90.0%である。
  論文  参考訳（メタデータ） (2026-08-02T17:02:48Z)
• Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control [5.357451930622806]
  共同埋め込み予測アーキテクチャは、生のピクセルから制御する潜在世界モデルの家族を支えている。 両方を提供する単一のチェックポイントは、デプロイメントの制約がどのパスが勝つかを決定するとき、この選択を推論に延期する。 本稿では,連続した清潔な潜伏者間のブラウン橋補間を共同訓練対象とするエンドツーエンドのJEPAであるQantaraを紹介する。
  論文  参考訳（メタデータ） (2026-07-06T12:12:50Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
  Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。 マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。 LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
  論文  参考訳（メタデータ） (2026-06-10T23:56:01Z)
• CMAP: Cross-Modal Adaptive Prompting for Multi-Domain Task-Incremental Learning [3.1368611610608856]
  テキスト空間のタスクルーティングは、凍結されたCLIPテキストプロトタイプとコサイン類似のビジュアルガウスマッチングを置き換える。 視覚テキストの信頼度は、単一ガウスのクラスモデリングをK平均視覚プロトタイプとタスク校正しきい値の下でのクロスモーダルアライメントスコアに置き換える。 MTILベンチマークは118.7%と1201のクラスで74.2%のTransfer、80.5%のAverage、そして8のLast Under Order-Iを達成した。
  論文  参考訳（メタデータ） (2026-05-25T11:09:48Z)
• Planner-Admissible Graph-PDE Value Extensions for Sparse Goal-Conditioned Planning [0.6768558752130311]
  演算argmin-Qプランナーの下で,どのグラフ値拡張がプランナー対応かを検討する。 ロールアウトに沿った代理値エラーが真のアクションギャップの半分以下である場合、greedyのロールアウトがゴールに達する。
  論文  参考訳（メタデータ） (2026-05-18T23:24:45Z)
• ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
  本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。 有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
  論文  参考訳（メタデータ） (2026-05-18T20:06:04Z)
• Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
  ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。 本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
  論文  参考訳（メタデータ） (2026-05-07T06:31:34Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• UniGoal: Towards Universal Zero-shot Goal-oriented Navigation [68.45058159533376]
  汎用的なゼロショットゴール指向ナビゲーションのための一般的なフレームワークを提案する。 本稿では,オブジェクトカテゴリ,インスタンスイメージ,テキスト記述など,異なる目標を統一する一様グラフ表現を提案する。 我々のUniGoalは、3つの研究されたナビゲーションタスクに対して1つのモデルで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:48Z)
• Glance and Gaze: Inferring Action-aware Points for One-Stage Human-Object Interaction Detection [81.32280287658486]
  Glance and Gaze Network(GGNet)と呼ばれる新しいワンステージ手法を提案する。 GGNetは、一組のアクションウェアポイント(ActPoints)を目視および視線ステップで適応的にモデル化する。 検出された各インタラクションと関連する人間と対象のペアを効果的に一致させるアクションアウェア・アプローチを設計します。
  論文  参考訳（メタデータ） (2021-04-12T08:01:04Z)

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。