論文の概要: World Models Under Asynchronous Sensor Observations

• arxiv url: http://arxiv.org/abs/2609.07299v1
• Date: Mon, 07 Sep 2026 10:17:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.407583
• Title: World Models Under Asynchronous Sensor Observations
• Title（参考訳）: 非同期センサ観測による世界モデル
• Abstract要約: 物理センシングは不均一な速度で動作し、ほとんどの観測チャネルは任意の瞬間に安定している。 自然な代替手段は、最新の読み出しをゼロオーダーホールドすることであり、安定化と更新までの時間という2つの特徴を通じて、既知のサンプリングスケジュールをモデルに提供することである。 その結果,リフレッシュ・ツー・リフレッシュの有効性は,サンプリングスケジュールの因果的役割,特にリフレッシュイベントがシステムに影響を及ぼす場合に左右されることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned world models typically assume that observations arrive synchronously, an abstraction inherited from simulators that return a complete state vector at each environment step. Physical sensing instead operates at heterogeneous rates, leaving most observation channels stale at any given instant. Interpolating stale channels introduces measurements that were never observed, while downsampling to the slowest sensor discards valid measurements. A natural alternative is to zero-order-hold the most recent reading and provide the known sampling schedule to the model through two features, staleness and time-to-refresh. We test this prediction using transformer world models across three regimes of increasing causal coupling: open-loop rollouts in continuous-control locomotion, closed-loop model-predictive planning in which each learned model serves as the planner dynamics, and a linear latched-actuator system in which refresh events apply a zero-order-held command to the plant. Our findings show that the effectiveness of time-to-refresh depends on the causal role of the sampling schedule, specifically when refresh events affect the system rather than merely report its state. These results establish when sampling schedules provide useful information for predictive world models operating under asynchronous physical observations.
• Abstract（参考訳）: 学習された世界モデルは通常、各環境ステップで完全な状態ベクトルを返すシミュレータから継承された抽象化である観察が同期的にやってくると仮定する。 物理センシングは不均一な速度で動作し、ほとんどの観測チャネルは任意の瞬間に安定している。 補間チャネルは観測されなかった測定を導入し、最も遅いセンサーへのダウンサンプリングは有効な測定を破棄する。 自然な代替手段は、最新の読み出しをゼロオーダーホールドすることであり、安定化と更新までの時間という2つの特徴を通じて、既知のサンプリングスケジュールをモデルに提供することである。 連続制御ロコモーションにおけるオープンループロールアウト、各学習モデルがプランナーダイナミクスとして機能するクローズループモデル予測計画、リフレッシュイベントがゼロオーダーのコマンドを植物に適用する線形ラッチアクチュエータシステム、の3つの段階にわたるトランスフォーマー世界モデルを用いてこの予測を検証した。 その結果,リフレッシュ・ツー・リフレッシュの有効性は,サンプリングスケジュールの因果的役割,特にリフレッシュイベントがシステムに影響を及ぼす場合に左右されることがわかった。 これらの結果は、サンプリングスケジュールが非同期物理観測の下で動作している予測的世界モデルに有用な情報を提供するときに確立される。

関連論文リスト

• Faithful Embeddings of Irregular and Asynchronous Data for Online Log-NCDEs [43.7379426352196]
  補間および計算に基づく埋め込みは、連続的な観測経路を再構築する。 軽度条件下では, この再建は不要であることを示す。 連続時間モデルの普遍クラスであるLog-NCDEに対して,連続的かつインジェクティブな埋め込みを導入する。
  論文  参考訳（メタデータ） (2026-05-28T16:46:11Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation [0.31498833540989407]
  TIMEDは、フォワード-リバース拡散プロセスを通じてグローバル構造をキャプチャする統合生成フレームワークである。 特徴空間における実および合成分布をさらに整合させるため、TIMEDは最大平均離散性(MMD)損失を取り入れている。 我々は、TIMEDが最先端の生成モデルよりも現実的で時間的に一貫性のあるシーケンスを生成することを示す。
  論文  参考訳（メタデータ） (2025-09-23T23:05:40Z)
• Continuous-Time SO(3) Forecasting with Savitzky--Golay Neural Controlled Differential Equations [51.510040541600176]
  この研究は、$SO(3)$で連続時間回転オブジェクトの力学をモデル化することを提案する。 単純化された動作仮定に依存する既存の手法とは異なり、本手法は下層の物体軌道の一般的な潜在力学系を学習する。 実世界のデータに対する実験結果から、既存の手法と比較して魅力的な予測能力が示された。
  論文  参考訳（メタデータ） (2025-06-07T12:41:50Z)
• StateSpaceDiffuser: Bringing Long Context to Diffusion World Models [52.92249035412797]
  本稿では、状態空間モデルから機能を統合することで、拡散モデルが長時間コンテキストタスクの実行を可能にするStateSpaceDiffuserを紹介する。 この設計は拡散モデルの高忠実性合成を保ちながら長期記憶を復元する。
  論文  参考訳（メタデータ） (2025-05-28T11:27:54Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Learning Spatiotemporal Dynamical Systems from Point Process Observations [7.381752536547389]
  現在のニューラルネットワークベースのモデルアプローチは、時間と空間でランダムに収集されるデータに直面したときに不足する。 そこで我々は,このようなプロセス観察から効果的に学習できる新しい手法を開発した。 我々のモデルは、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現、そしてアモータライズされた変分推論の技法を統合している。
  論文  参考訳（メタデータ） (2024-06-01T09:03:32Z)
• Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
  本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。 本手法はシリーズの進化力学の連続時間依存モデルに依存する。 メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T13:20:04Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Modeling Irregular Time Series with Continuous Recurrent Units [3.7335080869292483]
  観測時間間の不規則な時間間隔を処理するために,連続的再帰単位(CRU)を提案する。 我々はCRUがニューラル常微分方程式(neural ODE)に基づくモデルよりも不規則時系列を補間できることを示した。 また,本モデルでは,インエイジからダイナミックスを推測し,Kalmanの取得により,ノイズの多い観測結果から,有効な状態更新候補を効率よく抽出できることも示している。
  論文  参考訳（メタデータ） (2021-11-22T16:49:15Z)
• Deep Convolution for Irregularly Sampled Temporal Point Clouds [39.51507835155255]
  不規則なサンプルで表される連続空間時間過程のダイナミクスを空間と時間の両方でモデル化する問題を検討する。 本稿では,この不規則なサンプルデータを直接学習し,予測できる新しい深層モデルを提案する。 我々は,StarCraft IIにおける実世界の気象観測データと大軍間の戦闘について実験を行った。
  論文  参考訳（メタデータ） (2021-05-01T00:54:32Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。