論文の概要: DLAM: Distributional Latent Actions with Temporal Constraints

• arxiv url: http://arxiv.org/abs/2607.27138v1
• Date: Wed, 29 Jul 2026 17:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.749815
• Title: DLAM: Distributional Latent Actions with Temporal Constraints
• Title（参考訳）: DLAM : 時間制約を伴う分布遅延行動
• Abstract要約: 本稿では,各遷移を対角ガウスとして表現する分布潜在作用モデルであるDLAMを紹介する。 下流のポリシー学習では、エンコーダを凍結し、フローマッチングポリシーをトレーニングし、平均遷移シーケンスとロボットアクションを共同で生成する。 ホールドアウト遷移では、DLAMは既存の潜在動作ベースラインよりも時間的に一貫した潜伏ダイナミクスを学習し、ホールドアウトビデオ上でより強い直接的および累積的再構成を実現する。
• 参考スコア（独自算出の注目度）: 25.743937994244902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models remain constrained by scarce action-labeled robot data, whereas action-free videos offer abundant observations of physical change. Latent action models can extract such priors, but reconstruction-trained codes may predict future observations without the structure required for joint generation with robot actions. Existing structured methods add temporal constraints but retain deterministic transition points, so residual errors in locally inferred transitions may propagate and compound under recursive composition. We introduce DLAM, a distributional latent-action model that represents each transition as a diagonal Gaussian. Reconstruction conditioned on the reference frame grounds the mean in observed visual change, while normalized composition and reversal over equal-gap triplets constrain both the mean and dimension-wise variance. Variance composition uses a lightweight shared-correlation coefficient to account for dependence between adjacent transitions that share an intermediate frame, whereas reversal negates the mean and preserves the variance. For downstream policy learning, we freeze the encoder and train a flow-matching policy to jointly generate mean transition sequences and robot actions. On held-out transitions, DLAM learns more temporally consistent latent dynamics than existing latent-action baselines and achieves stronger direct and cumulative reconstruction on held-out videos. Under the same controlled $π_0$ transfer protocol, it also improves policy performance on MetaWorld MT50, LIBERO, and real-world manipulation tasks. Controlled ablations show that normalized mean constraints account for most of the reconstruction gain, while learned variance and correlation-aware composition provide complementary improvements in downstream control.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、アクションラベルの少ないロボットデータによって制約され続けているが、アクションフリーのビデオは、物理変化の豊富な観察を提供する。 遅延動作モデルはそのような先行情報を抽出することができるが、再構成訓練された符号は、ロボット行動との共同生成に必要な構造なしで将来の観測を予測できる。 既存の構造的手法は時間的制約を加えるが決定論的遷移点を保持するため、局所的な推論された遷移の残差は再帰的な構成の下で伝播し、複合する可能性がある。 本稿では,各遷移を対角ガウスとして表現する分布潜在作用モデルであるDLAMを紹介する。 基準フレームに条件付けされた再構成は、観察された視覚的変化において平均を下方修正する一方、等ギャップ三重項に対する正規化合成と反転は、平均と寸法のばらつきを制約する。 変数構成は、中間フレームを共有する隣り合う遷移間の依存を説明するために、軽量な共有相関係数を使用するが、リバーサルは平均を否定し、分散を保存する。 下流のポリシー学習では、エンコーダを凍結し、フローマッチングポリシーをトレーニングし、平均遷移シーケンスとロボットアクションを共同で生成する。 ホールドアウト遷移では、DLAMは既存の潜在動作ベースラインよりも時間的に一貫した潜伏ダイナミクスを学習し、ホールドアウトビデオ上でより強い直接的および累積的再構成を実現する。 同じ制御された$π_0$転送プロトコルの下では、MetaWorld MT50、LIBERO、および実世界の操作タスクのポリシー性能も向上する。 制御アブレーションは, 正規化平均制約が復元の利益の大部分を占める一方で, 学習的分散と相関性を考慮した構成が下流制御の相補的な改善をもたらすことを示す。

関連論文リスト

• Balancing Emotional Alignment and Semantic Consistency in Image Generation via Reinforcement Learning with Valence-Arousal Anchoring [55.57242007016976]
  テキスト・ツー・イメージ生成における継続的な感情制御は、プロンプトによって記述されたオブジェクトやレイアウト、シーンを変更することなく、感情的アライメントを改善するモデルを必要とする。 既存の教師付き感情注入法は、しばしば特徴空間プロキシを最適化し、したがって感情のセマンティックドリフトを示す。 本稿では,連続的原子価覚醒条件設定,グループ相対ポリシー最適化,中立的セマンティックアンカーを組み合わせたフローマッチング画像生成フレームワークを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-09-11T13:24:35Z)
• Making Latent Evolution Explicit: Operator-Structured Transitions for World Action Models [6.732084106610505]
  World Action Models (WAM)は、タスク関連シーン状態が相互作用の下でどのように進化するかを予測することで、ロボットポリシーを強化する。 潜時遷移は、時間的進化ではなくトークン相互作用を中心に帰納的構造を持つトランスフォーマーベースの予測器で一般的に実現される。 本稿では、文脈変調演算子に基づく伝播と加算力による学習可観測空間の潜在進化をモデル化する潜在進化演算子ネットワーク(LEON)を紹介する。
  論文  参考訳（メタデータ） (2026-08-27T15:43:44Z)
• IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
  IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。 IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。 政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
  論文  参考訳（メタデータ） (2026-08-11T08:20:02Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• Latent Actions from Factorized Transition Effects under Agent Ambiguity [15.872376579590437]
  我々は、各遷移を、観測された遷移プリミティブのスパースセットに分解する、観測された遷移因子化(OTF)を導入する。 我々はまた、動作プリミティブを標準逆フォワード動的フレームワーク内でアクションライクな潜在子に抽象化するOTF-LAMと、凍結したDINOv2表現空間における将来の状態を予測するデコーダフリーな変種であるOTF-LAM-Dinoを提案する。
  論文  参考訳（メタデータ） (2026-06-29T16:45:04Z)
• ALAM: Algebraically Consistent Latent Action Model for Vision-Language-Action Models [31.2829405167292]
  ALAM(Algebraic Latent Action Model)は、アクションフリービデオにおける時間的関係を構造的監視に変換する。 ALAMは、構成と逆整合性によって規則化されながら、再構成によって基礎付けられた潜伏遷移を学習する。 下流VLA学習では、事前学習したエンコーダを凍結し、その潜伏遷移配列を補助的生成ターゲットとして使用する。
  論文  参考訳（メタデータ） (2026-05-11T16:37:07Z)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• Structural Instability of Feature Composition [2.5754366051855837]
  球状辞書モデルに基づく合成-崩壊しきい値について検討する。 高バイアス状態においては、ReLUは顕微鏡的相関による変動変動を系統的なドリフトに変換する。 CLEVRから抽出した構造化セマンティックな特徴に対するスケーリングの予測傾向を検証した。
  論文  参考訳（メタデータ） (2026-04-18T05:53:31Z)
• Error-Propagation-Free Learned Video Compression With Dual-Domain Progressive Temporal Alignment [92.57576987521107]
  両ドメインのプログレッシブな時間的アライメントと品質条件の混合(QCMoE)を備えた新しい統合変換フレームワークを提案する。 QCMoEは、魅力的なR-Dパフォーマンスで連続的かつ一貫したレート制御を可能にする。 実験結果から,提案手法は最先端技術と比較して,競争力のあるR-D性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-12-11T09:14:51Z)
• On the Joint Minimization of Regularization Loss Functions in Deep Variational Bayesian Methods for Attribute-Controlled Symbolic Music Generation [47.38557855930304]
  明示的な潜在変数モデルは、データ合成のための柔軟だが強力なフレームワークを提供する。 既存のアプローチは、両方の正規化目標を共同で最小化するのに苦労していることを示す。 適切な属性変換は、目標潜在次元の可制御性と正則化の両方を達成するのに有効であることを示す。
  論文  参考訳（メタデータ） (2025-11-10T14:09:25Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)

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。