論文の概要: A Unifying Perspective on Causal World Models: From Observations to Representations to Structure

• arxiv url: http://arxiv.org/abs/2608.13456v1
• Date: Thu, 13 Aug 2026 16:40:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.604967
• Title: A Unifying Perspective on Causal World Models: From Observations to Representations to Structure
• Title（参考訳）: 因果世界モデルに関する統一的視点:観察から表現から構造へ
• Abstract要約: 我々は、有用な世界モデル(WM)は、生成能力だけに留まらなければならないと論じている。 我々は,支援を意図したタスクに基づいて,Causal WMs (CWMs) の形式的定義を提供する。
• 参考スコア（独自算出の注目度）: 5.414308305392762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World Models (WM) are increasingly seen as a foundation for intelligent agents that can predict, plan, and act beyond their training distribution. In this paper, we study WMs from a causal perspective across multiple levels of abstraction, ranging from perceptual observations to building a conceptual representation of the structure governing the environment dynamics. We argue that useful WMs must go beyond generative capabilities alone: they should also capture entity properties, entity-to-entity interactions, and entity-to-environment interactions that determine and explain the dynamics of a system. We provide a formal definition of Causal WMs (CWMs) grounded in the tasks they are intended to support, connecting world modelling with existing work in causal representation learning, object-centric learning, causal discovery, structural causal models, and model-based decision-making. Finally, we relate CWMs to the literature on identifiability, clarifying when the components of a WM can be recovered from data and up to which equivalence. With this, we ground WMs in representations and structures that support causal reasoning and informed decision-making.
• Abstract（参考訳）: 世界モデル(WM)は、トレーニング分布を超えた予測、計画、行動が可能なインテリジェントエージェントの基盤として、ますます見なされている。 本稿では,WMを多段階の抽象概念の因果的視点から研究し,知覚的観察から環境力学を規定する構造の概念的表現の構築に至る。 私たちは、有用なWMは、生成能力だけでなく、エンティティプロパティ、エンティティとエンティティの相互作用、システムのダイナミクスを決定、説明するエンティティと環境の相互作用も捉えるべきです。 本稿では, 因果表現学習, 対象中心学習, 因果発見, 構造因果モデル, モデルに基づく意思決定において, 世界モデルと既存の作業とを結びつけ, 支援を意図したタスクに基づく因果WM(CWM)の形式的定義を提供する。 最後に、CWMを識別可能性に関する文献に関連付け、WMの成分がデータからいつ、どの等価度まで回収できるかを明らかにする。 これにより、因果推論と情報意思決定を支援する表現や構造にWMを置きます。

関連論文リスト

• Structure Abstraction and Generalization in a Hippocampal-Entorhinal Inspired World Model [11.849694189409526]
  脳にインスパイアされた階層モデルが潜伏遷移を推測し、予測的視覚世界モデルを構築する方法を示す。 この研究は、脳にインスパイアされた、世界モデルの自己教師付き学習が再利用可能な抽象的知識の獲得をいかに促進するかを理解するための、新しい計算フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-15T08:36:40Z)
• World Action Models: The Next Frontier in Embodied AI [123.5787299299832]
  VLA(Vision-Language-Action)モデルは、具体的政策学習のための強力なセマンティックな一般化を実現している。 彼らは、物理的な世界が介入の下でどのように進化するかを明示的にモデル化することなく、リアクティブな観察から行動へのマッピングを学ぶ。 成長するこの制限には、世界モデル、環境ダイナミクスの予測モデル、アクション生成パイプラインを統合することで対処する。
  論文  参考訳（メタデータ） (2026-05-12T13:10:52Z)
• The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
  一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。 本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。 我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
  論文  参考訳（メタデータ） (2026-02-26T16:15:55Z)
• Emergent Structured Representations Support Flexible In-Context Inference in Large Language Models [77.98801218316505]
  大型言語モデル(LLM)は、人間のような推論を示唆する創発的な行動を示す。 テキスト内概念推論におけるLLMの内部処理について検討する。
  論文  参考訳（メタデータ） (2026-02-08T03:14:39Z)
• Research on World Models Is Not Merely Injecting World Knowledge into Specific Tasks [43.59401259468559]
  我々は、ロバストな世界モデルは、能力の緩やかな集まりではなく、相互作用、知覚、象徴的推論、空間的表現を一体的に組み込んだ規範的な枠組みであるべきだと主張する。 この研究は、未来の研究を世界のより一般的で堅牢で原則化されたモデルへと導くことを目的としている。
  論文  参考訳（メタデータ） (2026-02-02T04:42:44Z)
• Modeling Open-World Cognition as On-Demand Synthesis of Probabilistic Models [93.1043186636177]
  我々は、人々が分散表現と象徴表現の組み合わせを使って、新しい状況に合わせた見知らぬ精神モデルを構築するという仮説を探求する。 モデル合成アーキテクチャ」という概念の計算的実装を提案する。 我々は、新しい推論データセットに基づく人間の判断のモデルとして、MSAを評価した。
  論文  参考訳（メタデータ） (2025-07-16T18:01:03Z)
• Mechanistic Indicators of Understanding in Large Language Models [2.752171077382186]
  我々は,Large Language Models (LLM) が,接続の確認に係わる理解と機能的に類似した内部構造を発達させることを論じる。 概念的理解は、モデルが潜在空間の方向として「機能」を形成し、何かの多様な表現の間のつながりを学ぶときに現れる。 第二に、状態の理解は、モデルが機能間の連続した事実的なつながりを学び、世界の変化を動的に追跡するときに現れる。 第三に、モデルが記憶された事実の集まりに頼るのをやめ、これらの事実を繋ぐ「循環」を発見すると、原則化された理解が生まれる。
  論文  参考訳（メタデータ） (2025-07-07T20:26:31Z)
• Learning Local Causal World Models with State Space Models and Attention [1.5498250598583487]
  本研究では,SSMが単純な環境のダイナミクスをモデル化し,因果モデルを同時に学習できることを示す。 我々は、SSMの強みに傾倒するさらなる実験の道を開き、因果意識でそれらをさらに強化する。
  論文  参考訳（メタデータ） (2025-05-04T11:57:02Z)
• Better Decisions through the Right Causal World Model [17.623937562865617]
  因果的対象中心モデル抽出ツール(COMET)は、正確に解釈可能な因果的世界モデル(CWM)を学習するために設計された新しいアルゴリズムである。 Pong や Freeway などの Atari 環境で検証した結果,COMET の精度とロバスト性を実証した。
  論文  参考訳（メタデータ） (2025-04-09T20:29:13Z)
• Transformers Use Causal World Models in Maze-Solving Tasks [49.67445252528868]
  我々は迷路解決タスクで訓練されたトランスフォーマーで世界モデルを特定する。 機能を抑圧するよりも、機能をアクティベートする方が簡単であることが分かりました。 位置符号化方式は、モデルの残留ストリーム内でのワールドモデルがどのように構成されているかに影響を与えるように見える。
  論文  参考訳（メタデータ） (2024-12-16T15:21:04Z)
• The Essential Role of Causality in Foundation World Models for Embodied AI [102.75402420915965]
  身体的なAIエージェントは、さまざまな現実世界環境で新しいタスクを実行する能力を必要とします。 現在の基礎モデルは物理的相互作用を正確にモデル化することができないため、Embodied AIには不十分である。 因果関係の研究は、検証世界モデルの構築に寄与する。
  論文  参考訳（メタデータ） (2024-02-06T17:15:33Z)

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。