論文の概要: ARC-Bench: Closed-Loop Replanning Masks Broken Action Ranking in Frozen JEPA World Models

• arxiv url: http://arxiv.org/abs/2609.05461v1
• Date: Wed, 12 Aug 2026 06:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.483517
• Title: ARC-Bench: Closed-Loop Replanning Masks Broken Action Ranking in Frozen JEPA World Models
• Title（参考訳）: ARC-Bench: 冷凍JEPAワールドモデルでマスクが壊れた動作ランキングを更新
• Abstract要約: ARC-Benchは、凍結したJEPAスタイルの目的が候補アクションを正しくランク付けするかどうかを測定する。 クローズドループのリプランニングマスクは、なぜこの欠陥が目に見えないままだったのかを説明します。
• 参考スコア（独自算出の注目度）: 6.836203507099085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reward-free latent world models plan by scoring candidate actions with distances in a frozen latent space: an action is preferred if its predicted future embedding lands closer to the goal embedding. This silently assumes that latent closeness is action-rankable, i.e., that ordering candidates by latent distance agrees with ordering them by true cost. We audit this assumption directly. We introduce ARC-Bench, a no-leak, fixed-candidate protocol that measures whether frozen JEPA-style objectives rank candidate actions correctly, and apply it to official released JEPA-WM checkpoints across navigation and manipulation-style control. The assumption fails, severely and structurally: on the official manipulation audits the top-scored candidate is almost always suboptimal, and the same inversion appears in the maze domains. A controlled visual-backbone extension shows that the defect persists when DINOv2 is replaced by video-pretrained V-JEPA 1 and V-JEPA 2 encoders at ViT-L/ViT-G scale. Provenance, undertraining, matched-budget backbone controls, and metric-circularity controls rule out trivial explanations. We then explain why this defect has stayed invisible: closed-loop replanning masks it. When we reduce the planner's replanning frequency, success collapses in both a navigation and a manipulation domain, and the episodes rescued by frequent replanning are enriched for severe first-plan ranking failures in the PointMaze first-plan diagnostic. Closed-loop success rates therefore systematically overstate the rankability of frozen latent representations. ARC-Bench supplies the measurement, and the masking mechanism the explanation, for methods that adapt, amortize, or replan around latent-space planners without directly auditing released JEPA-WM action rankability.
• Abstract（参考訳）: Reward-free latent world plan by score candidate action with distances in a frozen latent space: an action is preferred if its expected future embedding land near the goal embedding。 このことは、潜伏近接性はアクションランク可能であり、すなわち、潜伏距離で候補者を順序付けることは、真のコストでそれらを順序付けることと一致している、と静かに仮定する。 私たちはこの仮定を直接監査する。 ARC-Benchは、フリーズJEPAスタイルの目標が候補アクションを正しくランク付けするかどうかを計測し、ナビゲーションと操作スタイルの制御をまたいだ公式のJEPA-WMチェックポイントに適用する。 公式な操作監査では、最上位の候補はほとんど常に最適であり、迷路領域でも同様の逆転が現れる。 制御された視覚バックボーン拡張は、DINOv2がV-JEPA 1とV-JEPA 2エンコーダによってVT-L/ViT-Gスケールで置換されると、欠陥が持続することを示している。 Provenance, undertraining, matched-budget backbone control, and metric-circularity controlは自明な説明を除外する。 そして、なぜこの欠陥が目に見えないままであったのかを説明します。 計画立案頻度を下げると、ナビゲーションと操作領域の両方で成功が崩壊し、頻繁な計画立案によって救われたエピソードは、PointMaze第1計画診断における深刻な第1計画ランキング失敗に富む。 したがって、クローズドループの成功率は、凍結された潜在表現のランク可能性を体系的に上書きする。 ARC-Benchは測定とマスキングメカニズムを提供しており、JEPA-WMアクションのランキングを直接監査することなく、遅延スペースプランナーの適応、償却、あるいは計画を行う方法を説明する。

関連論文リスト

• Temporal-Distance JEPA: Plan-Aware Representation Learning for Latent World Model Predictive Control [8.39933163242427]
  JEPAsは、ピクセルを再構築するのではなく、表現空間で予測することで世界モデルを学ぶ。 以前のJEPAプランナーは、しばしば埋め込み幾何学(典型的には遅れたユークリッド距離)からランキングを継承する。 本稿では,LWMエンコーダのバックボーンを保持するテンポラルディスタンスJEPAを提案する。
  論文  参考訳（メタデータ） (2026-07-28T06:38:16Z)
• ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control [54.267632784131415]
  ReactiveBFMは、ヒューマノイドのためのリアルタイムループ計画制御フレームワークである。 定期的なプレフィックスサンプリングカリキュラムを通じて、致命的な累積露光バイアスを軽減する。 これは、テキスト条件付きクローズドループ運動の膨大なレパートリーにおいて、前例のない物理的機敏さを示す。
  論文  参考訳（メタデータ） (2026-06-29T14:27:27Z)
• Predictive Objectives Discard Exogenous Control-Relevant Features: A Controlled Mechanistic Study [0.0]
  共同埋め込み予測(JEPA)の目的は、将来の潜伏者を予測することによって表現を学ぶことである。 これは、制御関連性よりも時間的予測可能性の最適化が目的であるからである。 報酬ラベル付き遷移の2%がこの機能を回復すると、その効果は2つの環境にまたがることがわかった。
  論文  参考訳（メタデータ） (2026-06-29T10:00:50Z)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• Accelerating Multi-modal LLM Gaming Performance via Input Prediction and Mishit Correction [4.323124094061299]
  リアルタイムのシーケンシャル制御エージェントは、しばしば推論遅延によってボトルネックとなる。 本稿では,TD-MPC2を用いたモデルベース制御に投機的実行の予測理論を適応させるフレームワークを提案する。 提案手法は,500から282までの計画推測数を削減し,エンドツーエンドのステップ遅延を25%改善し,リターン率をわずか7.1%に抑えた強い制御性能を維持した。
  論文  参考訳（メタデータ） (2025-12-19T05:34:52Z)
• Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering [52.69447404069251]
  大規模視覚言語モデル(VLM)は、オープン語彙推論のための強力なセマンティック先行情報を提供することにより、EQAエージェントの改良を行った。 ステップレベルキャリブレーションによる探索を安定化するフレームワークPrune-Then-Planを提案する。
  論文  参考訳（メタデータ） (2025-11-24T22:50:50Z)
• The Cognitive Bandwidth Bottleneck: Shifting Long-Horizon Agent from Planning with Actions to Planning with Schemas [56.62286434195321]
  本稿では2つの異なる行動表現の有効性を体系的に研究する。 本稿では,その違いを質的に理解するための概念的枠組みとして,認知的帯域幅の観点を提案する。 より有能なPwSエージェントを構築するための実用的なガイドを提供する。
  論文  参考訳（メタデータ） (2025-10-08T14:47:40Z)
• Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
  本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。 AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
  論文  参考訳（メタデータ） (2025-08-15T07:48:51Z)
• Skip-Plan: Procedure Planning in Instructional Videos via Condensed Action Space Learning [85.84504287685884]
  Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。 アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。 我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
  論文  参考訳（メタデータ） (2023-10-01T08:02:33Z)
• Point-Level Temporal Action Localization: Bridging Fully-supervised Proposals to Weakly-supervised Losses [84.2964408497058]
  point-level temporal action localization (ptal) は、各アクションインスタンスに対して1つのタイムスタンプアノテーションで、未トリミングビデオ内のアクションをローカライズすることを目的としている。 既存の手法ではフレームレベルの予測パラダイムを採用し、スパース単一フレームラベルから学習する。 本稿では,ポイントレベルアノテーションの提案に基づく予測パラダイムを検討する。
  論文  参考訳（メタデータ） (2020-12-15T12:11:48Z)

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。