論文の概要: Dueling World Models: Advantage-Style Action Channels for Common-Mode Distractor Rejection
- arxiv url: http://arxiv.org/abs/2608.06706v1
- Date: Fri, 07 Aug 2026 02:02:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.32753
- Title: Dueling World Models: Advantage-Style Action Channels for Common-Mode Distractor Rejection
- Title（参考訳）: デュエルワールドモデル:コモンモードディトラクタリジェクションのためのアドバンテージスタイルアクションチャネル
- Abstract要約: 予測の行動に対する平均効果を減じることは、行動が共有するあらゆる行為をキャンセルすることを示します。
グリッドワールドの向こう側には、既知の要因を持つ合成発電機、継続的な制御の妨げ、そして自然ピクセルのアタリがあり、孤立したチャネルはエージェント自身の効果を回復させる。
- 参考スコア（独自算出の注目度）: 2.079922976674856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Latent world models plan by predicting future states from an action, but when a scene contains motion the agent does not control, they quietly go action-blind: predictions for different actions become indistinguishable even as the training loss keeps improving. Existing remedies suppress this distraction with reconstruction, task reward, or auxiliary objectives, each adding machinery or assumptions. We show that a minimal alternative suffices, borrowed from the dueling decomposition of value into a state baseline and an action advantage: in latent dynamics, subtracting a prediction's mean effect over actions cancels whatever the actions share--the action-independent variation where distractors live--leaving a clean, controllable channel, with no reward, no reconstruction, and no distractor-specific auxiliary loss. Because this is only a subtraction at readout time, it applies unchanged to any action-conditioned world model, including frozen pretrained ones. Across a gridworld, synthetic generators with known factors, distracting continuous control, and natural-pixel Atari, the isolated channel recovers the agent's own effect where entangled predictors fail, with nuisance leak indistinguishable from zero; applied post hoc it surfaces an action channel in off-the-shelf models that their raw readouts miss, and it converts into goal-reaching control in the gridworld. We prove the cancellation is exact in finite samples for both discrete and sampled action sets, and we state its measured boundary--distractors whose motion tracks the action--together with the remaining limitations in the appendix.
- Abstract（参考訳）: 潜在世界は、ある行動から将来の状態を予測することによって計画を立てるが、シーンにエージェントが制御できない動作を含むと、彼らは静かに行動の盲目になる:訓練損失が改善しても、異なる行動の予測は区別不能になる。
既存の治療法は、復元、タスク報酬、または補助的な目的によって、それぞれに機械や仮定を追加することで、この混乱を抑制する。
潜在力学では、行動に対する予測の平均効果を減じることによって、行動が共有するあらゆる行為がキャンセルされることが示される。
これはリードアウト時のサブトラクションに過ぎず、凍結した事前訓練されたものを含む任意のアクション条件の世界モデルに適用できない。
グリッドワールド全体では、既知の因子を持つ合成発電機、連続的な制御の妨げ、そして自然ピクセルのアタリによって、孤立したチャネルは、絡み合った予測器がゼロと区別できないニュアンスリークで失敗するエージェント自身の効果を回復する。
離散的およびサンプリングされた作用集合の有限標本において、キャンセルが正確なことを証明し、その測定された境界-運動が作用を追尾するディトラクタを、付録の残りの制限とともに記述する。
関連論文リスト
- TrojanWorld: Backdooring World-Model Agents via Imagination Steering [65.38754125569848]
TrojanWorldは、世界モデルエージェントのためのバックドアフレームワークで、内部の想像力を操ることで攻撃者が特定した振る舞いを誘導する。
トリガーアクティベーションの下では、トロイジャンワールドは0.026までの目標アクション偏差を達成し、対応するクリーンパフォーマンスの少なくとも98.8%を維持している。
論文 参考訳（メタデータ） (2026-09-07T05:14:10Z) - CAER: Causal Action Effect Reweighting for World Model Training [31.737118584204342]
本稿では,その行動に因果的に影響される可能性のあるトークンに対する監督を再分配する訓練パラダイムであるCausal Action Effect Reweighting(CAER)を紹介する。
CAERは、モデル自身の予測とアクション条件なしでこれらのトークンをオンラインにローカライズし、結果のエフェクトマップを、合計係数の質量を保存する重みに正規化し、使用される場所だけを変える。
不均一なアクション条件付きワールドモデルタスクによる実験により、CAERは一様MSEトレーニングよりも優れたソリューションに収束し、生成したビデオの物理的一貫性、制御性、視覚的品質が一貫した改善が得られた。
論文 参考訳（メタデータ） (2026-08-31T14:49:56Z) - Overcoming Statistical Bias in Action-Controllable World Models [18.890337378174678]
アクション条件付き世界モデルは、エージェントのアクションの下で視覚環境がどのように進化するかを予測することを目的としている。
将来のフレームは、しばしば視覚的慣性や反復的な動きパターンから非常に予測可能である。
アクション制御性を高めるために,CoCoという対実整合性フレームワークを紹介した。
論文 参考訳（メタデータ） (2026-08-05T10:10:36Z) - ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control [54.267632784131415]
ReactiveBFMは、ヒューマノイドのためのリアルタイムループ計画制御フレームワークである。
定期的なプレフィックスサンプリングカリキュラムを通じて、致命的な累積露光バイアスを軽減する。
これは、テキスト条件付きクローズドループ運動の膨大なレパートリーにおいて、前例のない物理的機敏さを示す。
論文 参考訳（メタデータ） (2026-06-29T14:27:27Z) - Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。
表現の崩壊を防ぎ、アクション整列表現を誘導する。
コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
論文 参考訳（メタデータ） (2026-06-18T11:25:16Z) - SAE Interventions are Unreliable: Post-Intervention Recovery of Suppressed Behavior [38.75847400495247]
スパースオートエンコーダ(SAE)は残ストリームの活性化を解釈可能な特徴に分解する。
特定の有害な特徴をクランプすることで,モデルの誤動作を確実に防止できることが示唆された。
我々は、この脆弱性を、制約付き残空間最適化問題であるポスト・インターベンション・リカバリ(英語版)として定式化する。
論文 参考訳（メタデータ） (2026-06-16T15:04:17Z) - Making Foresight Actionable: Repurposing Representation Alignment in World Action Models [57.23863557252883]
World Action Models (WAMs)は、ビデオ生成モデルを使用して将来のシーンの進化をモデル化することで、ロボット操作のための有望なルートを提供する。
目に見える未来を生み出すことは 必ずしも正確な行動の抽出を 保証するとは限らない
本稿では,Action-Grounded Representation Alignmentの目的であるAGRAを提案する。
論文 参考訳（メタデータ） (2026-06-10T15:31:25Z) - From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。
我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-12T14:15:16Z) - Olaf-World: Orienting Latent Actions for Video World Modeling [100.96069208914957]
アクションコントロール可能な世界モデルのスケーリングは、アクションラベルの不足によって制限される。
大規模受動的ビデオから行動条件付きビデオワールドモデルを事前訓練するパイプラインであるOraf-Worldを紹介する。
論文 参考訳（メタデータ） (2026-02-10T18:58:41Z) - Reimagination with Test-time Observation Interventions: Distractor-Robust World Model Predictions for Visual Model Predictive Control [51.14656121641822]
世界モデルは、現在の観測と計画された行動によって、ロボットが将来の観察を「想像」することができる。
新たな視覚的障害は、行動結果の予測を破損させ、ロボットが計画や行動検証のために世界モデルの想像力に依存するとき、下流の障害を引き起こす可能性がある。
本稿では、世界モデルによるより信頼性の高い行動結果の予測を可能にする簡易かつ効果的なテストタイム戦略であるReOI(Reimagination with Observation Intervention)を提案する。
論文 参考訳（メタデータ） (2025-06-19T19:41:29Z)
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。