論文の概要: Auditing Instruction-Trajectory Mismatches in Multimodal Robot Demonstrations

• arxiv url: http://arxiv.org/abs/2608.07895v1
• Date: Sat, 08 Aug 2026 03:43:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.553645
• Title: Auditing Instruction-Trajectory Mismatches in Multimodal Robot Demonstrations
• Title（参考訳）: マルチモーダルロボットにおける指示-軌道ミスマッチの聴取
• Abstract要約: インストラクション・トラジェクトリ・ミスマッチ(ITM)のポストホック監査に関する研究 本稿では,各モダリティを専門家として扱うマルチモーダル確率核融合(MMPF)を提案し,各モダリティの局所的合意とグローバルプロトタイプの類似性からタスクラベル分布を推定し,専門家の製品で予測エントロピー重み付けでモダリティを融合する。 実際のロボット実験において,提案手法はポリシー性能の向上を図り,レバーベリングと比較してフィルタ実証のトレードオフを示す。
• 参考スコア（独自算出の注目度）: 39.205808642879084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot demonstration datasets used to train vision-language-action policies can contain a subtle but harmful failure mode: trajectories that are behaviorally correct but paired with the wrong language instruction. We study post-hoc auditing of these Instruction-Trajectory Mismatches (ITMs). Unlike failed rollouts, ITMs often look plausible, and can corrupt the language-behavior mapping learned by the policy. We propose Multimodal Probabilistic Fusion (MMPF), a training-free auditing framework that treats each modality as an expert, estimates a task-label distribution from local neighborhood agreement and global prototype similarity, and then fuses modalities with predictive-entropy weighting in a product of experts. Across LIBERO benchmarks with injected instruction mismatches and noisy real-robot data, MMPF achieves the strongest overall ITM detection and label correction accuracy. We also show that auditing improves most downstream policy learning in settings where language is needed to disambiguate the task. We demonstrate in real robot experiments that our method can achieve improved policy performance and show the trade-off of filtering demonstrations compared to relabeling.
• Abstract（参考訳）: 視覚-言語-アクションポリシーのトレーニングに使用されるロボットのデモンストレーションデータセットには、微妙だが有害な障害モードが含まれている。 本研究は,これらのインストラクション・トラジェクトリ・ミスマッチ(ITM)のポストホック監査について検討する。 フェールしたロールアウトとは異なり、IMMは概して妥当に見え、ポリシーによって学習された言語行動マッピングを損なう可能性がある。 MMPF(Multimodal Probabilistic Fusion)は、各モダリティを専門家として扱う訓練自由監査フレームワークで、地域住民の合意とグローバルプロトタイプの類似性からタスクラベルの分布を推定し、専門家の製品で予測エントロピー重み付けでモダリティを融合する。 インジェクションミスマッチとノイズの多い実ロボットデータを備えたLIBEROベンチマークにおいて、MMPFはIMM検出とラベル補正の精度が最も高い。 また,タスクを曖昧にするためには,言語を必要とする設定において,監査がほとんどの下流政策学習を改善することを示す。 実際のロボット実験において,提案手法はポリシー性能の向上を図り,レバーベリングと比較してフィルタ実証のトレードオフを示す。

関連論文リスト

• Learning Multi-Modal Trajectory Policies for Data-Efficient Robotic Manipulation [21.99077052779724]
  MATE (Multi-Modal MoE) は、MoE上に構築された新しい軌道予測フレームワークである。 細粒度サブモーダルコサインを実現するためのマルチモーダルMOEアーキテクチャを導入し、安定かつスケール不変なエキスパートアサインのためのクロスモーダルルータを設計する。 ロボットピンポンの実験では、私たちのMATEはデータ不足下での作業よりもずっと優れています。
  論文  参考訳（メタデータ） (2026-05-31T06:35:10Z)
• WM-DAgger: Enabling Efficient Data Aggregation for Imitation Learning with World Models [22.67666648771421]
  効率的なデータ集約フレームワークであるWM-DAggerを提案する。 我々は、目の届くロボットアームと数発のデモでタスクを操作することに重点を置いている。 我々は、WM-DAggerを複数の実世界のロボットタスクで広範囲に検証する。
  論文  参考訳（メタデータ） (2026-04-13T11:49:11Z)
• DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
  タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。 そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。 MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
  論文  参考訳（メタデータ） (2025-09-15T10:59:57Z)
• CUPID: Curating Data your Robot Loves with Influence Functions [29.79350259314518]
  CUPIDは、模倣学習ポリシーのための新しい影響関数理論定式化に基づく、ロボットデータキュレーション手法である。 我々は,1)政策パフォーマンスを損なうトレーニングデモをフィルタリングし,2)政策を最も改善する新たなトラジェクトリをサブセレクトするために,CUPIDを用いてデータをキュレートする。
  論文  参考訳（メタデータ） (2025-06-23T20:49:34Z)
• Curating Demonstrations using Online Experience [52.59275477573012]
  また,Demo-SCOREは手作業によるキュレーションを伴わずに,効果的に準最適動作を識別できることが示唆された。 Demo-SCOREは、全てのオリジナルのデモンストレーションで訓練された基本方針と比較して、結果のポリシーにおいて15～35%以上の絶対的な成功率を達成する。
  論文  参考訳（メタデータ） (2025-03-05T17:58:16Z)
• SPARC: Score Prompting and Adaptive Fusion for Zero-Shot Multi-Label Recognition in Vision-Language Models [74.40683913645731]
  Zero-shot Multi-label Recognition (MLR) with Vision-Language Models (VLMs) は、トレーニングデータ、モデルチューニング、アーキテクチャの変更なしに重要な課題に直面している。 我々の研究は、VLMをブラックボックスとして扱い、トレーニングデータや地上の真実を使わずにスコアを活用する新しいソリューションを提案する。 これらのプロンプトスコアの分析により、VLMバイアスとAND'/OR信号の曖昧さが明らかになり、特に、最高スコアは2番目に高いスコアに比べて驚くほど低い。
  論文  参考訳（メタデータ） (2025-02-24T07:15:05Z)
• Pretraining Data Detection for Large Language Models: A Divergence-based Calibration Method [108.56493934296687]
  本研究では,乱数から発散する概念に触発された偏差に基づくキャリブレーション手法を導入し,プリトレーニングデータ検出のためのトークン確率のキャリブレーションを行う。 我々は,中国語テキスト上でのLLMの検出手法の性能を評価するために,中国語のベンチマークであるPatentMIAを開発した。
  論文  参考訳（メタデータ） (2024-09-23T07:55:35Z)
• Aligning Language Models with Demonstrated Feedback [58.834937450242975]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)

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。