論文の概要: Towards Zero-Shot Task Transfer with Neurosymbolic World Models
- arxiv url: http://arxiv.org/abs/2608.17959v2
- Date: Mon, 24 Aug 2026 12:25:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:42.79055
- Title: Towards Zero-Shot Task Transfer with Neurosymbolic World Models
- Title（参考訳）: ニューロシンボリック世界モデルを用いたゼロショットタスク転送に向けて
- Abstract要約: 最先端のモデルに基づく強化学習手法は、潜在空間における計画による政策改善を可能にするニューラルワールドモデルを学習する。
本稿では,報酬予測が潜在状態全体の構造的,象徴的な構成要素のサブセットにのみ依存する,新しい世界モデルの定式化を提案する。
我々は、これらのニューロシンボリック世界モデルを学ぶことの主な利点と課題について論じ、純粋に神経的手法に対する我々のアプローチの強力な一般化特性を実証する。
- 参考スコア（独自算出の注目度）: 17.135921836577715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-of-the-art model-based reinforcement learning methods learn neural world models that allow policy improvement by planning in a latent space, without assumptions on the structure of the underlying environment. While expressive, these models are generally task-dependent: they learn uninterpretable latent representations that are tied to the training task and thus hard to generalize to new tasks. In this work, we present a novel world model formulation where the reward prediction only depends on a subset of structured, symbolic components of the whole latent state. Decoupling observation reconstruction and reward prediction allows us to learn world models that can adapt zero-shot, i.e. without further environment interactions, to new reward functions defined over the same symbolic state space. We discuss the main advantages and challenges of learning these neurosymbolic world models and demonstrate the strong generalisation properties of our approach over purely neural methods.
- Abstract（参考訳）: 最先端のモデルに基づく強化学習手法は、基礎となる環境の構造を仮定することなく、潜在空間での計画による政策改善を可能にするニューラルワールドモデルを学習する。
これらのモデルは一般にタスクに依存しており、トレーニングタスクに結びついているので、新しいタスクに一般化するのは難しい、解釈不能な潜在表現を学習する。
本稿では,報酬予測が潜在状態全体の構造的,象徴的な構成要素のサブセットにのみ依存する,新しい世界モデルの定式化を提案する。
観測再構成と報奨予測の分離により、ゼロショット、すなわち環境相互作用を伴わない世界モデルを、同じシンボル状態空間上で定義された新しい報奨関数に適応させることができる。
我々は、これらのニューロシンボリック世界モデルを学ぶことの主な利点と課題について論じ、純粋に神経的手法に対する我々のアプローチの強力な一般化特性を実証する。
関連論文リスト
- Towards Predictive, Aligned, and Scalable Robot Learning [11.830982964522605]
本稿では、潜在空間における世界ダイナミクスを推論して行動を生成する潜在世界行動モデルであるLumo-2を紹介する。
我々は、潜在世界モデリングとモダリティアライメントについて研究し、スケーリング法則とアウト・オブ・ディストリビューションの一般化におけるそれらの役割を分析した。
その結果,Lumo-2は強い視覚言語モデル(VLA)と世界行動モデル(WAM)のベースラインを一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2026-07-13T08:53:34Z) - From World Models to World Action Models: A Concise Tutorial for Robotics [3.9330868250536457]
本チュートリアルでは,世界モデルの設計空間ビューを行動条件付き予測モデルとして提示する。
本チュートリアルの目的は、世界(行動)モデルの概念的スコープを明確にし、予測と制御を具現化するための構造化された分類法を提供することである。
論文 参考訳（メタデータ） (2026-07-01T11:56:54Z) - 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) - SmallWorlds: Assessing Dynamics Understanding of World Models in Isolated Environments [15.243547292947397]
我々はSmallWorld Benchmarkを紹介した。これは、分離された、正確に制御された動的条件下での世界モデル能力を評価するために設計されたテストベッドである。
我々は、Recurrent State Space Model、Transformer、Diffusion Model、Neural ODEなどの代表的アーキテクチャ上で、完全に観測可能な状態空間で包括的な実験を行う。
実験結果から, これらのモデルが環境構造を効果的に把握し, ロールアウトによる予測がいかに悪化するかが明らかになった。
論文 参考訳（メタデータ） (2025-11-28T18:56:02Z) - Adaptive World Models: Learning Behaviors by Latent Imagination Under Non-Stationarity [16.15952351162363]
私たちは新しいフォーマリズム、Hiddenを紹介します。
POMDP - 適応的な世界モデルで制御するために設計された。
提案手法は, 様々な非定常RLベンチマークにおけるロバストな動作の学習を可能にすることを実証する。
論文 参考訳（メタデータ） (2024-11-02T19:09:56Z) - VisualPredicator: Learning Abstract World Models with Neuro-Symbolic Predicates for Robot Planning [86.59849798539312]
本稿では,記号的・神経的知識表現の強みを組み合わせた一階抽象言語Neuro-Symbolic Predicatesを提案する。
提案手法は, サンプルの複雑さの向上, 分布外一般化の強化, 解釈可能性の向上を実現する。
論文 参考訳（メタデータ） (2024-10-30T16:11:05Z) - A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。
シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。
我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
論文 参考訳（メタデータ） (2023-09-16T09:15:37Z) - Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
視覚力学モデリングのための新しい連続学習手法を提案する。
まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。
そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z) - Abstract Interpretation for Generalized Heuristic Search in Model-Based
Planning [50.96320003643406]
ドメイン・ジェネラル・モデル・ベース・プランナーは、しばしば記号的世界モデルの緩和を通じて探索を構築することによって一般性を導出する。
抽象解釈がこれらの抽象化の統一フレームワークとして機能し、よりリッチな世界モデルに探索の範囲を広げる方法について説明する。
また、これらは学習と統合することができ、エージェントは抽象的な情報を通じて、新しい世界のモデルで計画を開始することができる。
論文 参考訳（メタデータ） (2022-08-05T00:22:11Z) - Towards a Predictive Processing Implementation of the Common Model of
Cognition [79.63867412771461]
本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。
提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
論文 参考訳（メタデータ） (2021-05-15T22:55:23Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-14T16:42:59Z)
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。