論文の概要: Decoding Task Progress from VLA Representations

• arxiv url: http://arxiv.org/abs/2608.13474v1
• Date: Thu, 13 Aug 2026 16:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.61126
• Title: Decoding Task Progress from VLA Representations
• Title（参考訳）: VLA表現からのタスク進捗の復号化
• Abstract要約: 我々は,残余の$_0.5$を探索し,正常化時間であるタスク進行が活性化から線形に可読であることを示す。 単一の線形プローブは、目に見えないタスクに一般化し、マルチプロンプトデータで訓練された場合、言語カウンターファクトの下で変化する。 我々はこのプローブを単純なラベルのないOOD検出器として使用し、停止したタスクの進捗を検知し、最先端の手法と競合することを示す。
• 参考スコア（独自算出の注目度）: 12.825554247171903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action models (VLAs) are moving rapidly towards deployment as general-purpose manipulation policies, but we currently lack basic tools for understanding what these models represent internally or for monitoring them at runtime. Leveraging ideas from mechanistic interpretability, we probe the residual stream of $π_{0.5}$ and find that task progress, the normalized time remaining in a trajectory, is linearly readable from the activations. We find that this signal is present in the pretrained PaliGemma backbone prior to training on any robot-specific data. A single linear probe generalizes to unseen tasks and varies under language counterfactuals when trained on multi-prompt data, but does not enable meaningful steering of the policy. These properties make the signal directly useful for instrumenting deployed VLAs. We use the probe as a simple label-free OOD detector, which detects stalled task progress, and find it competitive with state-of-the-art methods. Our results suggest that VLAs have rich, linearly readable internal representations of semantic quantities like task progress, and that learning to read these signals offers a lightweight, interpretable path toward monitoring deployed visuomotor policies.
• Abstract（参考訳）: 視覚言語アクションモデル(VLA)は、汎用的な操作ポリシーとしてデプロイに向かって急速に進んでいるが、現在、これらのモデルが内部で何を表現しているかを理解したり、実行時に監視するための基本的なツールが欠如している。 機械的解釈可能性からアイデアを活用することで、π_{0.5}$の残留ストリームを探索し、軌道に残っている正規化時間であるタスクの進行が活性化から線形に可読であることが分かる。 このシグナルは、ロボット固有のデータのトレーニングの前に、トレーニング済みのPaliGemmaバックボーンに存在していることが分かりました。 単一の線形プローブは、目に見えないタスクに一般化し、マルチプロンプトデータで訓練された場合、言語カウンターファクトの下で変化するが、ポリシーを有意義に操ることができない。 これらの特性により、信号は展開されたVLAの計測に有用である。 我々はこのプローブを単純なラベルのないOOD検出器として使用し、停止したタスクの進捗を検知し、最先端の手法と競合することを示す。 以上の結果から,VLAはタスク進行などの意味量に関するリッチで線形に読みやすい内部表現を持ち,これらの信号を読み取る学習は,デプロイされたビジュモータポリシーを監視するための軽量で解釈可能な経路を提供すると考えられる。

関連論文リスト

• Retrieval is Enough: Training-Free Interpretability with a Tool-Using Agent [56.93673666934672]
  トレーニングベースのメソッドは、トレーニング中に大きなアクティベーションデータセットを活用するため、一般的にはより強力である。 これは自然な疑問を引き起こします – トレーニングデータセット自体から回復可能なもの以上の洞察を実際に提示するのでしょうか? LLMエージェントに、アクティベーションを操作するツールとともに、テキストコンテキストと組み合わせたアクティベーションのベクトルデータベースを装備する。 エージェントはデータベースを反復的にクエリし、検索したサンプルから仮説を作成し、線形プローブを構築して検証する。
  論文  参考訳（メタデータ） (2026-07-17T18:47:31Z)
• TTT-VLA: Test-Time Latent Prompt Optimization for Vision-Language-Action Models [49.463896453707065]
  VLA(Vision-Language-Action)モデルは目覚ましい進歩を遂げているが、展開時の分散シフトには弱いままである。 近年のVLAモデルは、プロンプトが政策行動の効率的なインターフェースとして機能することを示唆しているが、既存のプロンプトベースのステアリングは通常、外部ガイダンスに依存している。 VLAのテストタイムトレーニング(TTT)は、プロンプトの最適化によって実現可能か? 我々は、遅延プロンプト最適化(LPO)に基づくテスト時間トレーニングフレームワークであるTTT-VLAでこの問題に対処する。
  論文  参考訳（メタデータ） (2026-06-02T04:10:39Z)
• Live LTL Progress Tracking: Towards Task-Based Exploration [1.3955252961896318]
  複雑で多段階的なタスクを通じて自律エージェントの進捗を追跡・表現するための新しい枠組みを提案する。 有限線形時間論理(LTL)の仕様が与えられた場合、このフレームワークは「追跡ベクトル」を定め、軌道のロールアウトの各ステップで更新する。 ベクトルの値は、軌道が発達するにつれて仕様の状態を表し、真、偽、または'オープン'ラベルを割り当てる。
  論文  参考訳（メタデータ） (2026-04-18T18:46:41Z)
• Sparse Autoencoders Reveal Interpretable and Steerable Features in VLA Models [7.1750939299528795]
  VLA(Vision-Language-Action)モデルが汎用ロボット操作のための有望なアプローチとして登場した。 VLAモデルの内部動作をよりよく理解するために,機械的解釈可能性技術を適用した。 本研究では,個々のSAEがロボット行動に因果的に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2026-03-19T17:42:05Z)
• SignNav: Leveraging Signage for Semantic Visual Navigation in Large-Scale Indoor Environments [57.79171900005793]
  人間は、大規模屋内環境内の目的地に向かうために、手話によって提供される意味的ヒントを日常的に活用する。 本稿では,手話からの意味的ヒントを解釈し,現在の観察に基づくその後の行動の推論を行うための,新しい具体的ナビゲーションタスクSignNavを紹介する。 空間認識モジュールは物理的世界へのサインの意味的ヒントを基盤として,時間認識モジュールは歴史的状態と現在の観測との長距離依存性を捉えている。
  論文  参考訳（メタデータ） (2026-03-17T06:36:26Z)
• Learning with Preserving for Continual Multitask Learning [4.847042727427382]
  タスク出力の保存から共有表現空間の維持に焦点を移す新しいフレームワークであるLawP(Learning with Preserving)を紹介した。 LwPは破滅的な忘れを緩和するだけでなく、CMTLタスクにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-11T22:23:20Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• Mechanistic interpretability for steering vision-language-action models [0.23371356738437823]
  VLA(Vision-Language-Action)モデルは、一般のエンボディエージェントを実現するための有望な道である。 本稿では,VLAを内部表現で解釈し,操作するための最初のフレームワークを紹介する。 我々は、微調整、報酬信号、環境相互作用を伴わずに、リアルタイムに行動を調整する汎用的なアクティベーションステアリング手法を提案する。
  論文  参考訳（メタデータ） (2025-08-30T03:01:57Z)
• Investigating task-specific prompts and sparse autoencoders for activation monitoring [0.0]
  言語モデルの内部アクティベーションは、これに役立つ追加情報をエンコードする。 最近の研究は、単純線形探索を改善するいくつかのアプローチを提案している。 我々は,これらの手法の新たな改良を開発し,検証し,比較する。
  論文  参考訳（メタデータ） (2025-04-28T21:28:17Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• Foundation Policies with Hilbert Representations [54.44869979017766]
  ラベルなしオフラインデータから一般ポリシーを事前学習するための教師なしフレームワークを提案する。 我々の重要な洞察は、基盤となる環境の時間的構造を保存する構造的表現を学習することである。 実験の結果、教師なしのポリシーは、ゴール条件付きおよび一般のRLタスクをゼロショットで解決できることがわかった。
  論文  参考訳（メタデータ） (2024-02-23T19:09:10Z)
• Learning Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
  本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。 シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。 修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T17:59:35Z)

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。