論文の概要: Diagnosing Compositional Generalization in Sequential Robot Tasks

• arxiv url: http://arxiv.org/abs/2607.29687v1
• Date: Fri, 31 Jul 2026 17:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.841911
• Title: Diagnosing Compositional Generalization in Sequential Robot Tasks
• Title（参考訳）: 連続ロボット作業における構成一般化の診断
• Abstract要約: 本稿では,命令空間被覆のレンズによる構成一般化について検討する。 一般化ギャップを3つの情報源に分解する: テクティットマージナル・インストラクション・シフト, テクティットインストラクション・コンストラクション・シフト, テクティットコンストラクション・アクション・シフト
• 参考スコア（独自算出の注目度）: 47.24821158025177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential robot manipulation requires policies to execute novel combinations of familiar instruction components. However, collecting demonstrations for all possible instruction tuples is combinatorially expensive, while sparsely covered datasets often fail under out-of-distribution recombination. This paper studies compositional generalization through the lens of instruction-space coverage. We decompose the generalization gap into three sources: \textit{marginal instruction shift}, \textit{instruction-compositional shift}, and \textit{context--action shift}. This decomposition allows us to diagnose when sparse training coverage is sufficient, and what structure the training set must preserve for reliable action prediction. Our results show that exhaustive tuple enumeration is unnecessary: a structured subset, as small as one quarter of the full task space, can recover strong out-of-distribution performance when it covers action-relevant dependencies. We further find that sparse training often fails due to instruction steering rather than missing low-level skills; finetuning only one demonstration per task improves OOD success from \(0.4\%\) to \(54.7\%\). For semantically dependent tasks, effective coverage must capture relational structure rather than only factor diversity. These findings suggest that efficient robot data collection should prioritize dependency coverage in instruction space over exhaustive task expansion. More results are available in the supplementary material. Project website: https://yixiaowang7.github.io/Diagnosing_Compositional_Generalization_Robot_Page/.
• Abstract（参考訳）: 逐次ロボット操作は、慣れ親しんだ命令部品の新たな組み合わせを実行するためにポリシーを必要とする。 しかし、すべての可能な命令タプルのデモ収集にはコストがかかるが、わずかにカバーされたデータセットは、アウト・オブ・ディストリビューション・リコンビネーションの下で失敗することが多い。 本稿では,命令空間被覆のレンズによる構成一般化について検討する。 一般化ギャップを3つのソースに分解する: \textit{marginal instruction shift}, \textit{instruction-compositional shift}, \textit{context-action shift}。 この分解により、スパーストレーニングのカバレッジが十分であれば診断でき、トレーニングセットが信頼できる行動予測のためにどの構造を保たなければならないかが分かる。 構造化されたサブセットは、全タスク空間の4分の1程度の大きさで、アクション関連依存関係をカバーした場合に、強力なアウト・オブ・ディストリビューション性能を回復することができる。 さらに、低レベルのスキルを欠くのではなく、命令ステアリングによってスパーストレーニングが失敗することが多く、タスク毎の1つのデモのみを微調整することで、OODの成功を(0.4\%\)から(54.7\%\)に改善する。 意味的依存的なタスクでは、効果的なカバレッジは、要素の多様性だけでなく、関係構造を捉える必要がある。 これらの結果から,効率的なロボットデータ収集はタスク拡張よりも命令空間の依存性を優先すべきであることが示唆された。 追加資料でさらなる結果が得られます。 プロジェクトWebサイト: https://yixiaowang7.github.io/Diagnosing_Compositional_Generalization_Robot_Page/。

関連論文リスト

• TaPeR: Probabilistic Recovery of Sparse Task Precedence Graphs from a Handful of Demonstrations [16.604293152314995]
  ロングホライゾン操作タスクは、部分的にのみ順序付けされることが多い。 既存のアプローチは典型的には、時間的および象徴的な監督の両方を用いて人間のデモンストレーションからタスク構造を推測する。 本稿では,単純なキネマティックグラフと相対的なオブジェクトポーズ上の分布のみを用いて,実演からタスク依存構造を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2026-08-21T12:31:50Z)
• Learning Composable Chains-of-Thought [57.73731224510169]
  我々は大規模言語モデル (LLM) を訓練し, 帰属的推論問題のチェーン・オブ・シント (CoT) トレースを推論する。 我々はCoTデータをラベル付けしていない対象構成課題に対処する際の推論スキルの合成一般化に向けて一歩踏み出した。 アトミックタスク上の"アトミックCoT"モデルをComposable CoTデータでトレーニングし、マルチタスク学習やモデルマージと組み合わせて、ターゲットのコンポジションタスク上でのゼロショットパフォーマンスを改善することができる。
  論文  参考訳（メタデータ） (2025-05-28T17:51:10Z)
• Binning as a Pretext Task: Improving Self-Supervised Learning in Tabular Domains [0.565395466029518]
  そこで本研究では,古典的ビンニング手法に基づく新しいプレテキストタスクを提案する。 その考え方は単純で、元の値ではなく、binインデックス(順序またはクラス)を再構築する。 我々の実証調査では、ビンニングの利点がいくつか確認されている。
  論文  参考訳（メタデータ） (2024-05-13T01:23:14Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Inducing Transformer's Compositional Generalization Ability via Auxiliary Sequence Prediction Tasks [86.10875837475783]
  体系的な構成性は人間の言語において必須のメカニズムであり、既知の部品の組換えによって新しい表現を作り出すことができる。 既存のニューラルモデルには、記号構造を学習する基本的な能力がないことが示されている。 本稿では,関数の進行と引数のセマンティクスを追跡する2つの補助シーケンス予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-30T16:41:19Z)
• Meta-Learning to Compositionally Generalize [34.656819307701156]
  教師あり学習のメタラーニング拡張版を実装した。 既存のトレーニングデータをサブサンプリングすることでメタ学習のためのタスクのペアを構築する。 COGSおよびSCANデータセットの実験結果から、類似性駆動型メタラーニングにより一般化性能が向上することが示された。
  論文  参考訳（メタデータ） (2021-06-08T11:21:48Z)
• Automated Concatenation of Embeddings for Structured Prediction [75.44925576268052]
  本稿では, 埋め込みの自動結合(ACE)を提案し, 構造予測タスクにおける埋め込みのより優れた結合を見つけるプロセスを自動化する。 我々は、強化学習の戦略に従い、制御器のパラメータを最適化し、タスクモデルの精度に基づいて報酬を計算する。
  論文  参考訳（メタデータ） (2020-10-10T14:03:20Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。