Fugu-MT 論文翻訳(概要): ActionSplice: In-Flight Action Editing for Interactive World Models

論文の概要: ActionSplice: In-Flight Action Editing for Interactive World Models

arxiv url: http://arxiv.org/abs/2609.08230v1
Date: Tue, 08 Sep 2026 04:21:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.575768
Title: ActionSplice: In-Flight Action Editing for Interactive World Models
Title（参考訳）: ActionSplice: インタラクティブな世界モデルのための飛行中のアクション編集
Abstract要約: チャンク自動回帰ビデオワールドモデルは通常、1つのアクションで生成されたチャンクを条件付けする。我々は、この問題をCST(Counterfactual State Transport)として定式化する推論フレームワークであるActionpliceを紹介する。一時スプライシングの$mathrmCST*R$は、一時プレフィックスを保持し、接尾辞のみを更新する。 $mathrmCST*T$は、それぞれ接尾辞LPIPSを56.1%減らし、77.5%減らし、2.73times$と1.69times$の1.69timesを待ち前のスピードアップで提供する。
参考スコア（独自算出の注目度）: 4.400011068855375
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Chunk-autoregressive video world models typically condition each generated chunk on one action. An action received during sampling must therefore wait for the next chunk, condition future solver evaluations on a state produced under the previous action, or trigger rollback that repeats completed evaluations. We introduce ActionSplice, an inference framework that formulates this problem as Counterfactual State Transport (CST). A lightweight corrector transports the interrupted backbone-native representation toward the matched state induced by the revised action at the same solver step. The world model and sampler remain frozen, and sampling resumes without replaying completed evaluations. The retargeting variant $\mathrm{CST}*{R}$ updates the entire active chunk, while the temporal-splicing variant $\mathrm{CST}*{T}$ preserves a temporal prefix and updates only the suffix. Across minWM-Wan Action2V and HY-WM1.5, $\mathrm{CST}*{R}$ reduces rollback-relative LPIPS by 61.5% and 75.9% relative to direct condition swapping. $\mathrm{CST}*{T}$ reduces suffix LPIPS by 56.1% and 77.5%, respectively, while providing $2.73\times$ and $1.69\times$ pixel-ready speedups over waiting. Under the HY-WorldPlay protocol, $\mathrm{CST}_{R}$ obtains a PSNR of 25.66 dB, an SSIM of 0.6902, and an LPIPS of 0.1337 against the original rollout.
Abstract（参考訳）: チャンク自動回帰ビデオワールドモデルは通常、1つのアクションで生成されたチャンクを条件付けする。サンプリング中に受信したアクションは、次のチャンク、前のアクションで生成された状態に対する状態先解決器の評価、あるいは完了した評価を繰り返す引き金ロールバックを待たなければならない。本稿では,この問題をCST(Counterfactual State Transport)として定式化する推論フレームワークであるActionSpliceを紹介する。軽量の補正器は、修正された動作によって誘導される割り込みされたバックボーンネイティブ表現を同じ解法ステップで一致した状態に転送する。世界モデルとサンプルは凍結状態のままであり、サンプリングは完了した評価を再生することなく再開される。 retargeting variant $\mathrm{CST}*{R}$はアクティブチャンク全体を更新し、time-splicing variant $\mathrm{CST}*{T}$は一時的なプレフィックスを保持し、接尾辞のみを更新する。 minWM-Wan Action2VとHY-WM1.5全体で、$\mathrm{CST}*{R}$はロールバック相対LPIPSを61.5%、直接条件スワップと比較して75.9%削減する。 $\mathrm{CST}*{T}$は、それぞれ接尾辞LPIPSを56.1%減らし、77.5%減らし、2.73\times$と1.69\times$ピクセル対応のスピードアップを提供する。 HY-WorldPlayプロトコルでは、$\mathrm{CST}_{R}$は25.66dBのPSNR、SSIMは0.6902、LPIPSは0.1337である。

関連論文リスト

Measuring the Value of World-Model Updates: A Counterfactual Utility Protocol for Continual Adaptation [0.0]
我々は、事前登録された決定ポイントのデプロイメントストリームを一致した更新に分岐し、共通乱数の下で継続を保持するフォーク台帳を導入する。 R = R_mathrmupdate - R_mathrmhold$。
論文参考訳（メタデータ） (2026-09-10T01:22:57Z)
Hidden Boundary Motion in Transformer Optimization: Function-Space Orthogonalization of Affine Weight and Bias Updates [0.0]
我々は、この隠れたコントリビューション・ファンウンダリ・モーションと呼び、各更新をエンハンシェープ・コンポーネントと共有エンハンダリ・コンポーネントに分解する。単座実験では、SBO-AdamWはバリデーション精度を81.68%から85.81%に引き上げ、バリデーション選択テスト精度を78.73%から82.73%に引き上げた。
論文参考訳（メタデータ） (2026-07-24T21:51:43Z)
Polymorphism Is Rotation: Operational Mechanistic Interpretability from a Two-Layer Transformer to Pythia-70m [0.0]
独立に訓練された変圧器は、均一なランダム回転によって異なる残差ストリームベースで同じ関数を計算する。この現象を多型と呼ぶ:同じ関数、相互に理解不能な内部座標である。この現象は標準的なSAE測度には見えない。
論文参考訳（メタデータ） (2026-05-23T13:37:59Z)
Minimax Optimal Variance-Aware Regret Bounds for Multinomial Logistic MDPs [56.28491566735463]
既存のマルコフ決定過程のアルゴリズムは、$smashtildeO(dH2sqrtT)$を後悔する。本稿では,最悪の場合において既存の境界を復元し,構造化されたMDPに対して改善する,$smashtildeO(dH2bar_TsqrtT)$の後悔を実現するアルゴリズムを提案する。
論文参考訳（メタデータ） (2026-05-19T12:39:32Z)
Latent Phase-Shift Rollback: Inference-Time Error Correction via Residual Stream Monitoring and KV-Cache Steering [4.032680910442999]
大規模な言語モデルは、世代中頃の保存不可能な推論エラーを犯す。我々は、$textbfLatent Phase-Shift Rollback$ (LPSR)を紹介する。各生成段階において、臨界層リクリットで残留流をモニタリングし、コサイン相似性$+$エントロピー二重ゲートを介して急激な方向逆転(位相シフト)を検出する。微調整、勾配計算、追加のフォワードパスは不要である。
論文参考訳（メタデータ） (2026-04-20T17:53:33Z)
S0 Tuning: Zero-Overhead Adaptation of Hybrid Recurrent-Attention Models [0.0]
リカレント層毎に1つの初期状態行列をチューニングし、オーバーヘッドゼロでLoRAを+10.8 pp(HumanEvalのp wenSpider)で上回る。 S0 チューニングと呼ばれるチューニングメソッドは、greedy pass@1 を +23.6 +/- 1.7 pp (10 種) で改善します。クロスドメイン転送はMATH-500 (+4.8 pp, p = 0.00002, 8 seed) と GSM8K = 0.0003, 10 seed で重要である。
論文参考訳（メタデータ） (2026-04-01T17:21:15Z)
Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-07T15:03:50Z)
Near Sample-Optimal Reduction-based Policy Learning for Average Reward MDP [58.13930707612128]
この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
論文参考訳（メタデータ） (2022-12-01T15:57:58Z)
Reward-Mixing MDPs with a Few Latent Contexts are Learnable [75.17357040707347]
報酬混合マルコフ決定過程(RMMDP)におけるエピソード強化学習の検討我々のゴールは、そのようなモデルにおける時間段階の累積報酬をほぼ最大化する、ほぼ最適に近いポリシーを学ぶことである。
論文参考訳（メタデータ） (2022-10-05T22:52:00Z)
Optimistic Posterior Sampling for Reinforcement Learning with Few Samples and Tight Guarantees [43.13918072870693]
強化学習(OPSRL)のための楽観的後部サンプリングアルゴリズムを提案する。殆どの$widetildemathcalO(sqrtH3SAT)$ ignoring $textpolylog(HSAT)$ termsにおいて、高い確率で再帰的な順序境界を保証する。我々の境界は位数$Omega(sqrtH3SAT)$の下位境界と一致し、Agrawal と Jia が提起した開問題に答える。
論文参考訳（メタデータ） (2022-09-28T20:49:34Z)
Stochastic Shortest Path: Minimax, Parameter-Free and Towards Horizon-Free Regret [144.6358229217845]
エージェントが目標状態に到達する前に蓄積される期待コストを最小限に抑えるために,最短経路(ssp)設定で学習する問題について検討する。我々は,経験的遷移を慎重に歪曲し,探索ボーナスで経験的コストを摂動する新しいモデルベースアルゴリズムEB-SSPを設計する。私達はEB-SSPが$widetildeO(B_star sqrtS A K)$のミニマックスの後悔率を達成することを証明します。
論文参考訳（メタデータ） (2021-04-22T17:20:48Z)
Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文参考訳（メタデータ） (2020-06-04T17:51:00Z)

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。