論文の概要: Learning Implicit Causal World Models from Multi-Agent Demonstrations
- arxiv url: http://arxiv.org/abs/2607.26336v1
- Date: Tue, 28 Jul 2026 23:18:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.494501
- Title: Learning Implicit Causal World Models from Multi-Agent Demonstrations
- Title（参考訳）: マルチエージェントによる因果世界モデル学習
- Abstract要約: モデルに基づく強化学習では、世界モデルは内部シミュレータとして存在するが、それらのトレーニングはしばしば因果メカニズムと統計的相関を混同する。
本稿では,インプリシット因果世界モデルを導入して,事前に定義された因果グラフを必要とせず,オフラインでの実証から環境動態を復元する。
- 参考スコア（独自算出の注目度）: 0.16921396880325776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In model-based reinforcement learning, world models exist as internal simulators, but their training often conflates statistical correlations with causal mechanisms. This problem is exacerbated in multi-agent systems where physical transitions are intertwined with strategic agent intents, causing world models to fail under distribution shift. We introduce Implicit Causal World Models to recover environmental dynamics from offline demonstrations without requiring pre-defined causal graphs. By incorporating policy variance, we render world models discoverable via the sequential backdoor condition. Evaluations across coordination tasks (Two-Door, Navigation, and Giveway) demonstrate that these models provide interpretable causal representations under both full and partial observability, with model accuracy scaling directly with interventional strength.
- Abstract（参考訳）: モデルに基づく強化学習では、世界モデルは内部シミュレータとして存在するが、それらのトレーニングはしばしば因果メカニズムと統計的相関を混同する。
この問題は、物理遷移が戦略エージェントの意図と絡み合うマルチエージェントシステムにおいて悪化し、世界モデルが分散シフトの下で失敗する原因となる。
本稿では,インプリシット因果世界モデルを導入して,事前に定義された因果グラフを必要とせず,オフラインでの実証から環境動態を復元する。
ポリシーのばらつきを取り入れることで、シーケンシャルなバックドア条件で世界モデルを発見できるようになります。
コーディネーションタスク(Two-Door、Navigation、Giveway)における評価は、これらのモデルが完全な可観測性と部分的可観測性の両方の下で解釈可能な因果表現を提供し、モデルの精度は介入強度と直接的にスケーリングすることを示した。
関連論文リスト
- Reduced-Order Models: The Mother of World Models [0.12062777974093623]
世界モデルは、行動条件付き予測と計画をサポートする環境の潜在表現を圧縮する。
本稿では,世界モデルの機能解剖が数十年前に独立に開発され,展開され,分析されたことを論じる。
我々は、失敗できないシステムに世界モデルをデプロイする際の際立った障害は、予測の忠実さではなく、検証可能性であると主張している。
論文 参考訳（メタデータ） (2026-07-03T11:05:06Z) - Trimming the Long-Tail of Visual World Modeling Evaluation [67.17191772079316]
本論文では,不規則な物理的相互作用をシミュレートするために世界モデルに挑戦するベンチマークであるTailor-Benchを紹介する。
通常のシナリオは共通のツールとタスクのペアを反映し、従来型のツールを属性互換の代替品に置き換え、Impossibleシナリオは属性違反ツールを導入している。
実験結果から,物理世界モデリングの長期的ギャップは明らかであり,共通相互作用を超越した一般化の限界が示唆された。
論文 参考訳（メタデータ） (2026-06-23T07:43:41Z) - Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。
表現の崩壊を防ぎ、アクション整列表現を誘導する。
コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
論文 参考訳（メタデータ） (2026-06-18T11:25:16Z) - When Does Model Collapse Occur in Structured Interactive Learning? [9.385946237424612]
対話型学習環境における一般的な相互作用パターンを用いた生成モデルの性能について検討する。
モデル崩壊の発生は相互作用グラフのトポロジーに大きく依存することを示す。
論文 参考訳（メタデータ） (2026-05-19T17:41:09Z) - PROWL: Prioritized Regret-Driven Optimization for World Model Learning [20.10187986360715]
我々は,拡散に基づく世界モデルの高次軌道を公開するための政策を訓練する,KL制約の逆行カリキュラムを導入する。
提案手法をMineRLフレームワークで実装し, 既設のアウト・オブ・ディストリビューション・トラジェクトリで評価する。
論文 参考訳（メタデータ） (2026-05-11T14:24:19Z) - Masked Diffusion Language Models are Strong and Steerable Text-Based World Models for Agentic RL [0.8546394944138487]
我々は、テキストベースの世界モデリングを、初期状態に分解可能な遷移力学問題として定式化する。
我々は、9つのオープンソース環境と12のフロンティアモデルファミリーにまたがる239,403の基底状態行動軌跡をキュレートする。
我々は,決定論的状態チェックを備えたGRPOトレーニングフレームワークを導入し,3つのOOD環境上でゼロショット転送処理を行う。
論文 参考訳（メタデータ） (2026-05-07T00:40:32Z) - Revisiting Multi-Agent World Modeling from a Diffusion-Inspired Perspective [54.77404771454794]
拡散モデルを用いたマルチエージェント強化学習(MARL)のためのフレキシブルで堅牢な世界モデルを開発する。
本手法はDiffusion-Inspired Multi-Agent World Model (DIMA) を用いて,複数のマルチエージェント制御ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2025-05-27T09:11:38Z) - 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) - Disentangled World Models: Learning to Transfer Semantic Knowledge from Distracting Videos for Reinforcement Learning [65.85335291827086]
本稿では,オフラインからオンラインまでの潜水蒸留とフレキシブルなゆがみ制約を通したビデオから,セマンティックな違いを学習し,理解することを試みる。
動作自由なビデオ予測モデルを非干渉正規化によりオフラインでトレーニングし、注意をそらすビデオから意味的知識を抽出する。
オンライン環境での微調整には、事前学習されたモデルからの知識を活用し、世界モデルに絡み合った制約を導入する。
論文 参考訳（メタデータ） (2025-03-11T13:50:22Z) - Decentralized Transformers with Centralized Aggregation are Sample-Efficient Multi-Agent World Models [106.35361897941898]
本稿では,分散化された局所力学を拡張性のために学習するマルチエージェントRL(MARL)の新たな世界モデルを提案する。
また、集中表現アグリゲーションを可能にする効果的なソリューションとしてPerceiver Transformerを導入する。
Starcraft Multi-Agent Challenge (SMAC) の結果は、サンプル効率と全体的な性能の両方において、強力なモデルフリーアプローチと既存のモデルベース手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-06-22T12:40:03Z) - Zero-shot Safety Prediction for Autonomous Robots with Foundation World Models [0.12499537119440243]
世界モデルは、コントローラを訓練し、システムの内部のダイナミックモデルを学ぶことによって安全違反を予測するために代理世界を作成する。
本稿では,観察を意味的かつ因果的に潜伏した表現に組み込む基礎世界モデルを提案する。
これにより、Surrogate dynamicsは、トレーニング不要な大規模言語モデルを活用することで、因果先状態を直接予測できる。
論文 参考訳（メタデータ） (2024-03-30T20:03:49Z) - World Models via Policy-Guided Trajectory Diffusion [21.89154719069519]
既存の世界モデルは、次の状態を予測するために、ポリシーから次のアクションをサンプリングする、自己回帰的である。
本稿では, 自己回帰的でない新しい世界モデリング手法を提案する。
論文 参考訳（メタデータ） (2023-12-13T21:46:09Z)
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。