論文の概要: One Future, Every Robot: Label-Efficient Collective-State Prediction with Decentralized JEPA

• arxiv url: http://arxiv.org/abs/2607.28443v2
• Date: Fri, 31 Jul 2026 10:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.34982
• Title: One Future, Every Robot: Label-Efficient Collective-State Prediction with Decentralized JEPA
• Title（参考訳）: 未来のロボット: 分散JEPAによるラベル効率の良い集合状態予測
• Abstract要約: 予測アーキテクチャであるCollective-State JEPAを紹介します。 それぞれのロボットは、16フレームのローカル履歴と1つの64フロートリカレントメッセージを使用する。 予見的に登録された5シードのフォローアップは、予測エラーとロボット間ラベル予算AUCを改善する。 封印された8シードのアクション条件付きフォローアップは、分岐値MSEを45.5%削減し、コンテキスト内候補スコア相関を0.1291改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can every robot in a swarm predict the same future collective state from only local observations and bandwidth-limited messages? We formulate this as decentralized shared-state prediction and introduce Collective-State JEPA (CS-JEPA), a recurrent joint-embedding predictive architecture whose output at every robot represents one common future token field. At deployment, each robot uses a 16-frame local history and one 64-float recurrent message per directed edge; there is no global pooling, target encoder, episode clock, or recorded future action. After pretraining without downstream collective labels, frozen representations are evaluated with ridge probes fitted on 6, 12, or 24 globally labeled episodes. Against raw-future reconstruction with the same receiver anchor and deployment capacity but 9,607 additional training-only parameters, a prospectively registered five-seed follow-up improves prediction-error and inter-robot-agreement label-budget AUC on in-distribution, ring, mutual-kNN, and unseen-size families up to 108 robots. Every effect favors CS-JEPA in 5/5 outer seeds. A sealed eight-seed action-conditioned follow-up reduces branch-value MSE by 45.5% and improves within-context candidate-score correlation by 0.1291. In a separate 16-seed fully decentralized closed-loop study, receiver-local CS-JEPA planning improves utility over nominal control ($Δ= +0.01053$, $p = 0.00070$) and first plan-coefficient agreement over matched reconstruction ($Δ= +0.14472$, $p = 0.000061$). These results support common-future JEPA targets as a label-efficient primitive for decentralized swarm prediction under topology and size shift, with additional evidence of planning-relevant value estimation and closed-loop decision consistency.
• Abstract（参考訳）: Swarm内のすべてのロボットは、ローカルな観測と帯域幅制限されたメッセージのみから、同じ未来の集合状態を予測できますか? 我々はこれを分散共有状態予測として定式化し、各ロボットにおける出力が1つの共通未来のトークンフィールドを表す連続的な共同埋め込み予測アーキテクチャであるCS-JEPA(Collective-State JEPA)を導入する。 デプロイでは、各ロボットは16フレームのローカル履歴と64フローのリカレントメッセージを使用しており、グローバルプール、ターゲットエンコーダ、エピソードクロック、記録された将来のアクションはない。 下流の集合ラベルを使わずに事前トレーニングを行った後,グローバルラベル付きエピソード6,12,24に装着したリッジプローブを用いて凍結表現を評価した。 同じ受信機アンカーと展開能力を持つ9,607個の追加の訓練専用パラメータによる原型再構築に対して、予測エラーとロボット間アグリメントラベル予算AUCを最大108台のロボットで改善する。 すべての効果はCS-JEPAを5/5外種子で好んでいる。 封印された8シードのアクション条件付きフォローアップは、分岐値MSEを45.5%削減し、コンテキスト内候補スコア相関を0.1291改善する。 16-seed fully decentralized closed-loop studyでは、レシーバローカルCS-JEPAプランは、名目制御よりも実用性(Δ=+0.01053$, $p = 0.00070$)が向上し、マッチした再構成に対する最初のプラン係数合意(Δ=+0.14472$, $p = 0.000061$)が達成される。 これらの結果は、トポロジとサイズシフトの下での分散Swarm予測のためのラベル効率のよいプリミティブとして、共通未来JEPAターゲットをサポートし、計画関連値推定とクローズドループ決定整合性のさらなる証拠を提供する。

関連論文リスト

• Exact Fusion and Coordinated Exploration in Multi-Robot Active Inference [18.776728784460786]
  共通の環境モデルを学ぶロボットチームは、彼らの行動の期待される情報獲得によって信念の要約と計画を交換する。 共同のRockSample, 採餌, 現地モニタリング実験の結果, 核融合補正は冗長性に変化がないことがわかった。 シーケンシャルなコミットメントは、チームサイズのコストリニアで集中的な共同計画の価値の大部分を回復します。
  論文  参考訳（メタデータ） (2026-09-15T16:25:18Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• A Framework for Early Sepsis Prediction via Self-Supervised (JEPA) and Federated Representation Learning [0.0]
  電子健康記録からの早期敗血症予測は、不規則なサンプリング、高い欠失、および階級不均衡によって挑戦される。 タスク認識型微調整による自己指導型事前学習は,予測地平線を横断するシャープな近点とロバストな特徴を持つことを示す。
  論文  参考訳（メタデータ） (2026-07-18T07:27:04Z)
• CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
  CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。 実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。 その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T17:26:08Z)
• Co-GLANCE: Uncertainty-Aware Active Perception for Heterogeneous Robot Teaming [17.173722576361673]
  ロボットチームにおける不確実性解消のためのリアルタイムの車載認識と意思決定システムであるCo-GLANCEを紹介する。 知覚の不確実性を定量化するために、Co-GLANCEは共形予測と選択的棄権とを組み合わせて統計的に有効なカバレッジ保証を提供する。 また、将来の研究のための地上データセットも公開します。
  論文  参考訳（メタデータ） (2026-06-07T00:02:21Z)
• TAP-JEPA: Frozen Future-Latent Probing and Two-Stage Score Fusion for EPIC-KITCHENS-100 Action Anticipation [4.781417767575192]
  本報告では,EgoVis 2026におけるEPIC-KITCHENS-100(EK-100)アクション予測チャレンジの受注であるTAP-JEPAについて述べる。 タスクは、次の動詞、名詞、動詞のアクションを、目的のアクションが始まる前に終わるエゴセントリックなクリップから予測することである。 大規模なビデオバックボーンを微調整する代わりに、TAP-JEPAは凍結したV-JEPA 2.1の機能でコンパクトな予測モデルを構築する。
  論文  参考訳（メタデータ） (2026-05-30T10:23:12Z)
• UWM-JEPA: Predictive World Models That Imagine in Belief Space [0.2864713389096699]
  本稿では,JEPAの世界モデルであるUnitary World Model JEPAを紹介した。 この構造はロールアウト中に関節状態スペクトルを正確に保存するため、予測器自体が表現された不確かさを解消することはできない。 JEPAの世界モデルでは、部分的な可観測性、潜伏幾何学、予測力学が重要であり、フリーズされたコンテキストエンコーディング能力だけではありません。
  論文  参考訳（メタデータ） (2026-05-25T00:28:51Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Clin-JEPA: A Multi-Phase Co-Training Framework for Joint-Embedding Predictive Pretraining on EHR Patient Trajectories [7.992399976910451]
  Clin-JEPAは、HR患者軌道上での予測(JEPA)事前トレーニングのための多相コトレーニングフレームワークである。 MIMIC-IV ICUデータでは、3つの独立した評価がフレームワークをサポートしている。
  論文  参考訳（メタデータ） (2026-05-11T16:54:23Z)
• Collaborative Trajectory Prediction via Late Fusion [17.045815575131915]
  車両間の協調的なアプローチは、相補的な情報を共有することによって不確実性を低減するのに役立つ。 共有予測のためのレイトフュージョンフレームワークを導入する。 OPV2V、V2V4Real、DeepAccidentデータセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-04-24T19:34:56Z)
• Greedy Kalman-Swarm: Improving State Estimation in Robot Swarms in Harsh Environments [0.8594140167290097]
  分散状態推定に対する局所的「欲求的」なアプローチにより、個々のロボットが、完全なデータ可用性やグローバル通信を必要とせずに、ロボット間の相対的センシングを利用して精度を向上させることができることを示す。 以上の結果から,予測不可能な地形における群集結束を維持するためのスケーラブルな枠組みとして,グローバルな状態認識が実現可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-04-18T06:33:53Z)
• LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics [53.247652209132376]
  JEPA(Joint-Embedding Predictive Architectures)は、有望な青写真を提供するが、実践的なガイダンスや理論の欠如がアドホックな研究開発につながっている。 我々はJEPAの包括的な理論を示し、それをbf LeJEPAでインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-11T18:21:55Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Tractable Agreement Protocols [17.313852884203314]
  本稿では,任意の機械学習アルゴリズムを対話型プロトコルに変換する効率的な削減手法を提案する。 我々のプロトコルでは、まずモデルが予測を提供し、次に人間が同意するかフィードバックを提供することで応答する。 我々のプロトコルは、単純で効率的な条件に頼り、どの党単独の精度を超越した予測を生成する。
  論文  参考訳（メタデータ） (2024-11-29T15:52:59Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Conformal Decision Theory: Safe Autonomous Decisions from Imperfect Predictions [80.34972679938483]
  不完全な機械学習予測にも拘わらず、安全な自律的意思決定を実現するためのフレームワークであるコンフォーマル決定理論を導入する。 私たちのアルゴリズムが生み出す決定は、リスクが低いという証明可能な統計的保証があるという意味では安全です。 実験は、人間のまわりのロボットの動き計画、自動株式取引、ロボット製造において、我々のアプローチの有用性を実証する。
  論文  参考訳（メタデータ） (2023-10-09T17:59:30Z)
• Centralizing State-Values in Dueling Networks for Multi-Robot Reinforcement Learning Mapless Navigation [87.85646257351212]
  本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。 この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。 我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:47:00Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)

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。