論文の概要: HERA: Historical Evidence Routing Adapter for Physical Prediction in Latent World Models

• arxiv url: http://arxiv.org/abs/2608.05523v1
• Date: Thu, 06 Aug 2026 02:01:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.813648
• Title: HERA: Historical Evidence Routing Adapter for Physical Prediction in Latent World Models
• Title（参考訳）: HERA:後期世界モデルにおける物理予測のための歴史的エビデンス・ルーティング・アダプタ
• Abstract要約: HERAは、保存された歴史的証拠を凍結した潜伏予測器にルーティングするためのフレームワークである。 RRPMは構造化メモリバンク、メモリレジスタ、ワークスペースレジスタで構成される軽量アダプタである。 これらの結果は,潜在世界モデルにおける物理予測の実践的適応戦略として,歴史証拠のルーティングを支援する。
• 参考スコア（独自算出の注目度）: 13.321883466790467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive video models have emerged as promising world models by learning latent visual dynamics from large-scale video. Yet these models remain challenged by physical events under occlusion, where later predictions may depend on object evidence that is no longer available in the current view. Addressing this challenge requires historical evidence not only to be preserved but also to remain accessible when it becomes relevant to a subsequent prediction. Existing approaches mainly enlarge the temporal context, cache generic video features, or impose explicit object-centric states, thereby improving the capacity or structure of retained history. However, they do not directly address how relevant historical evidence can be selectively retrieved and integrated into a pretrained predictor without interfering with its native latent workspace. Accordingly, we introduce HERA (Historical Evidence Routing Adapter), a framework for routing retained historical evidence into a frozen latent predictor, and instantiate it with Register-Routed Patch Memory (RRPM), a lightweight adapter comprising a Structured Memory Bank, Memory Registers, and Workspace Registers. On the IntPhys2 Main split, HERA with RRPM improves the pairwise AvgSurprise accuracy of V-JEPA 2-G from 52.57% to 54.35%. Subgroup analysis shows particularly strong improvements on fixed-camera continuity, from 46.15% to 57.69%, and fixed-camera immutability, from 46.15% to 63.46%. These results support historical evidence routing as a practical adaptation strategy for physical prediction in latent world models.
• Abstract（参考訳）: 予測ビデオモデルは、大規模ビデオから潜在視覚力学を学ぶことによって、有望な世界モデルとして登場した。 しかし、これらのモデルは、後述の予測は、現在の見解ではもはや利用できない物体の証拠に依存するかもしれない物理的事象によって、いまだに挑戦されている。 この課題に対処するには、保存されるだけでなく、その後の予測に関連付けられた場合にもアクセス可能であるという歴史的な証拠が必要である。 既存のアプローチは主に、時間的コンテキストを拡大したり、一般的なビデオの特徴をキャッシュしたり、明示的なオブジェクト中心の状態を強制したりすることで、保持された履歴の容量や構造を改善する。 しかし、これらの手法は、故人の作業空間に干渉することなく、どのように関連する歴史的証拠を選択的に回収し、事前訓練された予測器に統合できるかを直接的に解決するものではない。 そこで, HERA (Historical Evidence Routing Adapter) を導入し, 歴史的証拠を凍結した遅延予測器にルーティングし, 構造化メモリバンク, メモリレジスタ, ワークスペースレジスタで構成される軽量アダプタであるRe Register-Routed Patch Memory (RRPM) でインスタンス化する。 IntPhys2メインスプリットでは、RRPMのHERAはV-JEPA 2-Gの対のAvgSurprise精度を52.57%から54.35%に改善する。 サブグループは、46.15%から57.69%までの固定カメラ連続性、46.15%から63.46%までの固定カメラ不変性を特に改善している。 これらの結果は,潜在世界モデルにおける物理予測の実践的適応戦略として,歴史証拠のルーティングを支援する。

関連論文リスト

• Mem-World: Memory-Augmented Action-Conditioned World Models for Persistent Robot Manipulation [55.42006264038458]
  アクション条件付き世界モデルは、ロボット学習の有望なパラダイムとして登場した。 Mem-Worldはメモリ拡張されたマルチビューアクション条件の世界モデルである。 W-VMemは4次元手首ビュー中心のサーベイルインデクシングメモリで、歴史的観測を時間的に変化する表面要素に固定する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:00Z)
• FLaRA: Predicting Future Latent Representations for Accident Anticipation [15.994549120609358]
  ダッシュカムビデオからの交通事故を予想することは、インテリジェント交通システムにおいて重要な課題である。 事故予知のための潜在表現を予測することで、このパラダイムをシフトさせる新しい予測アーキテクチャであるFLaRAを提案する。 提案手法は,現実的な早期警告機能を維持しつつ,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-06-12T12:16:45Z)
• Video Generation with Predictive Latents [50.3100375593545]
  ビデオオートエンコーダ(Eational)は、視覚世界をコンパクトな潜在空間にマッピングすることで、潜在映像生成モデリングを可能にする。 ビデオラテントの拡散性を高める方法はまだ重要で未解決の課題である。 本稿では,映像再構成による予測学習を統一する,シンプルで効果的な予測的再構築手法を提案する。
  論文  参考訳（メタデータ） (2026-05-04T01:30:04Z)
• TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving [10.160418242076284]
  軌道予測は自律走行に必須であり、車両は周囲のエージェントの動きを予測できる。 可変履歴長下での観測適応軌道予測のための統一的なプラグアンドプレイフレームワークであるTaPDを提案する。 Argoverse 1 と Argoverse 2 の実験は、TaPD が全ての観測範囲で強い基底線を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-06T12:51:32Z)
• Learning from History: A Retrieval-Augmented Framework for Spatiotemporal Prediction [20.253637183604756]
  我々は,新しいtextbfRetrieval-Augmented Prediction (RAP) フレームワークを提案する。 RAPは、システムの局所力学の非パラメトリック推定として、歴史的進化の分岐を利用する。 RAPは、長期ロールアウトにおけるエラーを効果的に抑制することで、より物理的に現実的な予測を生成する。
  論文  参考訳（メタデータ） (2025-10-28T04:09:16Z)
• Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
  我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。 我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-03T06:27:33Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• VisFIS: Visual Feature Importance Supervision with Right-for-the-Right-Reason Objectives [84.48039784446166]
  モデルFI監督は、VQAモデルの精度と、Right-to-the-Right-Reasonメトリクスの性能を有意義に向上させることができることを示す。 我々の最高のパフォーマンス手法であるVisual Feature Importance Supervision (VisFIS)は、ベンチマークVQAデータセットで強いベースラインを上回ります。 説明が妥当で忠実な場合には予測がより正確になる。
  論文  参考訳（メタデータ） (2022-06-22T17:02:01Z)
• FitVid: Overfitting in Pixel-Level Video Prediction [117.59339756506142]
  われわれはFitVidという新しいアーキテクチャを導入し、一般的なベンチマークに厳しいオーバーフィッティングを行えるようにした。 FitVidは、4つの異なるメトリクスで4つの異なるビデオ予測ベンチマークで現在の最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2021-06-24T17:20:21Z)

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。