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

• arxiv url: http://arxiv.org/abs/2607.28443v3
• Date: Thu, 06 Aug 2026 17:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.605885
• 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
• Authors: Alan-Barsag Gazzaev, Alexey Gavrilov, Sergey Muravyov,
• Abstract要約: 集合状態JEPAはすべてのロボットを訓練し、その歴史から同じ固定幅の潜在未来を予測する。 新たな独立レプリケーションでは、すべてのシードと評価されたスプリットの合意が改善される。 正確さは同時に向上し、全てのロボットがただ一つの予測に崩壊する非形式的な解決策を除外する。
• 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: Decentralized robots often need a common view of what their team is becoming, even though each robot sees different evidence and cannot rely on a central estimate or output-level consensus. We ask whether compatible collective-state predictions can emerge under this constraint. Collective-State JEPA (CS-JEPA) trains every robot to predict the same fixed-width latent future from its own history and bounded neighbor messages, with no agreement loss; predictions and plans are never pooled at deployment. In a fresh independent replication, agreement improves for every seed and every evaluated split. Accuracy improves at the same time, ruling out the uninformative solution in which all robots merely collapse to one prediction: relative to capacity-matched raw-future reconstruction, collective-state error falls by 28.4 percent in distribution and by 64.4 to 75.6 percent under topology and swarm-size shift. Translation-free and crossed-pretraining controls preserve this joint result, while action-conditioned and rigid-body evaluations show that the receiver-local representation supports independent decisions. A shared latent future can therefore align decentralized predictions without consensus training while preserving useful, label-efficient information.
• Abstract（参考訳）: 分散化されたロボットは、それぞれのロボットが異なる証拠を見て、中央の見積もりやアウトプットレベルのコンセンサスに頼ることができないにもかかわらず、チームの成否を共通の視点で見る必要があることが多い。 この制約の下で、互換性のある集合状態予測が出現するかどうかを問う。 CS-JEPA(Collective-State JEPA)は、すべてのロボットに、自身の履歴と境界付けられた隣のメッセージから同じ固定幅の潜在未来を予測するようにトレーニングする。 新たな独立レプリケーションでは、すべてのシードと評価されたスプリットの合意が改善される。 正確さは同時に向上し、全てのロボットが1つの予測に崩壊する非形式的解を除外する: キャパシティマッチングされた生の将来の再構築と比較して、集団状態のエラーは28.4%減少し、トポロジとスウォームサイズのシフトでは64.4から75.6%減少する。 翻訳のないクロストレーニング制御は、この共同結果を保存し、アクション条件付きおよび剛体評価は、受信側局所表現が独立決定をサポートすることを示す。 したがって、共有潜在未来は、有用でラベル効率のよい情報を保持しながら、コンセンサストレーニングなしで分散予測を調整できる。

関連論文リスト

• 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)
• 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)
• 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)
• 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)
• 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。