論文の概要: Hierarchical Skill Retrieval for Data-Efficient Adaptation of Vision-Language-Action Models
- arxiv url: http://arxiv.org/abs/2608.24042v1
- Date: Tue, 25 Aug 2026 04:04:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.808264
- Title: Hierarchical Skill Retrieval for Data-Efficient Adaptation of Vision-Language-Action Models
- Title（参考訳）: ビジョン・ランゲージ・アクションモデルにおけるデータ効率の良い適応のための階層的スキル検索
- Abstract要約: Hierarchical Skill Retrieval (HSR)は、データ効率のよいVLA適応のための検索フレームワークである。
我々は、HSRが最強のベースラインに対して平均成功率を10.3%、21.3%改善することを示した。
- 参考スコア（独自算出の注目度）: 10.94594187411586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Vision-Language-Action (VLA) models pretrained on large-scale robot datasets provide a strong foundation for robot manipulation, their performance can degrade when adapted to new tasks with limited task-specific demonstrations. Retrieval offers a practical way to reuse existing demonstrations for data-efficient adaptation, but existing methods often rely on visual similarity, state-action representations, or task-level language matching. These approaches may overlook the hierarchical structure of long-horizon manipulation tasks, where complete task matches are rare but reusable skills are often abundant. To address this challenge, we propose Hierarchical Skill Retrieval (HSR), a retrieval framework for data-efficient VLA adaptation. Specifically, HSR first decomposes a target task into candidate skill sequences. It evaluates each plan based on both semantic plausibility and skill reliability estimated from the prior dataset. The selected decomposition is then used for hybrid retrieval. This combines subtask-level language retrieval with behavior-feature reranking to identify demonstrations that are both semantically relevant and compatible with the target task. Finally, we adapt the policy through a two-stage pretraining and finetuning pipeline, which separates general skill acquisition from task-specific adaptation. Experiments on the LIBERO benchmark and several real-world robot manipulation tasks show that HSR improves the average success rate by 10.3% and 21.3% over the strongest baseline, respectively. These results demonstrate the effectiveness of structured skill-level retrieval for data-efficient VLA adaptation. Videos and code are available at https://hoar012.github.io/HSR-Project.
- Abstract（参考訳）: Vision-Language-Action(VLA)モデルは、大規模なロボットデータセットで事前訓練されているが、タスク固有のデモが限定された新しいタスクに適応すると、パフォーマンスが低下する可能性がある。
Retrievalは、データ効率の適応のために既存のデモを再利用する実用的な方法を提供するが、既存のメソッドはしばしば視覚的類似性、状態-アクション表現、タスクレベルの言語マッチングに依存している。
これらのアプローチは、完全なタスクマッチは稀だが再利用可能なスキルが多用される長い水平操作タスクの階層構造を見落としてしまう可能性がある。
この課題に対処するために、データ効率のよいVLA適応のための検索フレームワークである階層スキル検索(HSR)を提案する。
具体的には、まずターゲットタスクを候補スキルシーケンスに分解する。
従来のデータセットから推定した意味的妥当性とスキル信頼性に基づいて,各計画を評価する。
選択された分解は、ハイブリッド検索に使用される。
これはサブタスクレベルの言語検索と行動機能の再ランクを組み合わせることで、意味論的に関連があり、ターゲットタスクと互換性のあるデモを特定する。
最後に、タスク固有の適応から一般的なスキル獲得を分離する2段階の事前学習および微調整パイプラインを通じてポリシーを適応する。
LIBEROベンチマークといくつかの実世界のロボット操作タスクの実験は、HSRがそれぞれ最強のベースラインに対して平均成功率を10.3%、21.3%改善していることを示している。
これらの結果は、データ効率のよいVLA適応のための構造化されたスキルレベルの検索の有効性を示す。
ビデオとコードはhttps://hoar012.github.io/HSR-Projectで公開されている。
関連論文リスト
- Task-State Adaptation with Prototype Memory for Multi-Task Dense Prediction [65.90697836568579]
本研究では,グローバルな視覚的コンテキストからタスク状態を推定するマルチタスク高密度予測フレームワークを提案する。
MemMTLは学習可能なタスク状態のプロトタイプメモリを通じてそれを洗練する。
個別のタスク非依存残差銀行は共通の適応パスを提供する。
論文 参考訳（メタデータ） (2026-08-28T08:48:22Z) - From Insight to Action: A Novel Framework for Interpretability-Guided Data Selection in Large Language Models [73.72877445629383]
Interpretability-Guided Data Selection (IGDS) は、まず周波数リコールと干渉フィルタリングによって因果タスクの特徴を識別するフレームワークである。
我々は,数学的推論,要約,翻訳タスクに関するIGDSをGemma-2,LLaMA-3.1,Qwen3モデルで検証する。
論文 参考訳（メタデータ） (2026-04-28T03:16:24Z) - Task-Aware LoRA Adapter Composition via Similarity Retrieval in Vector Databases [3.4869850730657728]
本稿では,ベクトルデータベースにおける類似性検索を利用した動的LoRAアダプタ合成のための新しいフレームワークを提案する。
提案手法は,22種類のコモンセンス推論,質問応答,自然言語推論,感情分析などの学習例を組み込んで,タスク認識ベクトルデータベースを構築する。
我々のフレームワークは、追加のレトリバートレーニングを必要とせず、凍結埋め込みで動作し、効率的で解釈可能なアダプタ構成を可能にする。
論文 参考訳（メタデータ） (2026-02-01T22:20:04Z) - Vision Language Models are In-Context Value Learners [89.29486557646624]
本稿では、視覚言語モデル(VLM)に埋め込まれた世界的知識を活用してタスクの進捗を予測する普遍的価値関数推定器である生成価値学習(GVL)を提案する。
ロボットやタスク固有のトレーニングがなければ、GVLは300以上の異なる現実世界のタスクに対して、ゼロショットと数ショットの効果的な値をインコンテキストで予測することができる。
論文 参考訳（メタデータ） (2024-11-07T09:17:50Z) - P-RAG: Progressive Retrieval Augmented Generation For Planning on Embodied Everyday Task [94.08478298711789]
Embodied Everyday Taskは、インボディードAIコミュニティで人気のあるタスクである。
自然言語命令は明示的なタスクプランニングを欠くことが多い。
タスク環境に関する知識をモデルに組み込むには、広範囲なトレーニングが必要である。
論文 参考訳（メタデータ） (2024-09-17T15:29:34Z) - RAVEN: Multitask Retrieval Augmented Vision-Language Learning [5.1583788731239455]
世界中の知識をエンコードする大規模言語モデルのスケーリングは持続不可能であり、リソースバリアが悪化している。
Retrieval-Augmented Generation (RAG) は潜在的な解決策を示すが、その視覚言語モデル(VLM)への応用は検討中である。
本稿では,効率的なタスク特化微調整により,ベースVLMを強化した検索拡張VLMフレームワークであるRAVENを紹介する。
論文 参考訳（メタデータ） (2024-06-27T13:08:35Z) - Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。
アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。
ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
論文 参考訳（メタデータ） (2024-05-23T08:43:09Z) - Temporal and Semantic Evaluation Metrics for Foundation Models in Post-Hoc Analysis of Robotic Sub-tasks [1.8124328823188356]
本稿では,トラジェクトリデータを時間的境界と自然言語に基づく記述サブタスクに分解するフレームワークを提案する。
我々のフレームワークは、全軌道を構成する低レベルのサブタスクに対して、時間ベースの記述と言語ベースの記述の両方を提供する。
この尺度は2つのサブタスク分解の間の言語記述の時間的アライメントと意味的忠実度を測定する。
論文 参考訳（メタデータ） (2024-03-25T22:39:20Z) - Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。
TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
論文 参考訳（メタデータ） (2023-11-23T15:46:54Z) - Lifelong Learning Without a Task Oracle [13.331659934508764]
監視されたディープニューラルネットワークは、新しいタスクが学習されると、古いタスクの精度が大幅に低下することが知られている。
本稿では,メモリオーバーヘッドの少ないタスク割り当てマップの提案と比較を行う。
最高のパフォーマンスの変種は、平均的なパラメータメモリの増大を1.7%に抑えるだけである。
論文 参考訳（メタデータ） (2020-11-09T21:30:31Z)
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。