論文の概要: Diagnosing Faults in Reinforcement Learning Simulators and World Models with Canonical Polynomial Invariants
- arxiv url: http://arxiv.org/abs/2609.13194v1
- Date: Wed, 12 Aug 2026 15:28:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.521751
- Title: Diagnosing Faults in Reinforcement Learning Simulators and World Models with Canonical Polynomial Invariants
- Title（参考訳）: 強化学習シミュレータの故障診断と正準多項式不変量を持つ世界モデル
- Abstract要約: Acrobot 上の Grbner ベースを$mathbbQ$ に減らしたとして、軌道から復元された正確な不変量を使用します。
Acrobotでは、正確さは予測にはほとんどメリットがないが、一貫性は基本的に変わらない。
我々は,違反した物理的制約を識別するスクリーニングと,不正な不変性を回復する属性の2つの手順を開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A large literature builds physical structure into learned dynamics on the premise that models respecting the underlying physics predict better. We test that premise using exact polynomial invariants recovered from trajectories and canonicalised as reduced Gröbner bases over $\mathbb{Q}$. On Acrobot, exactness provides little benefit for prediction: a consistency regulariser reduces algebraic residual while leaving rollout fidelity essentially unchanged, and a shaping potential recovered from a system with a 100% mass error accelerates learning as effectively as the correct potential. Exact canonical invariants instead prove valuable for diagnosis. We develop two procedures: screening, which identifies the violated physical constraint, and attribution, which recovers the faulty invariant and identifies the responsible physical parameter. To enable this, we introduce normal-form deflation and quotient-space recovery. Across fifteen injected faults, screening localises every broken constraint with no false alarms, whereas observation-space baselines do not localise any; attribution recovers the responsible parameter on all seven parameter faults. Paired difference tests detect all faults, showing that the advantage is localisation rather than detection. Perturbing reference generators by $10^{-4}$ preserves 14--15/15 localisations, showing that screening does not require exactness, whereas ideal-equality decisions distinguish perturbations of only $10^{-12}$, showing that exactness is required for algebraic comparison. Applied to 350 release pairs across eleven RL environments, the diagnostic finds no evidence of changed simulator dynamics, instead revealing properties of the benchmark implementations themselves.
- Abstract（参考訳）: 大規模な文献は、基礎となる物理学を尊重するモデルがより良く予測できるという前提で、学習力学に物理構造を構築する。
我々は、軌道から復元された正確な多項式不変量を使い、Gröbner 基底を $\mathbb{Q}$ に減らして正準化することをテストした。
一貫性正規化器は、ロールアウトの忠実さを基本的に変わらないままに代数的残留を減少させ、100%質量誤差を持つシステムから回復した成形電位は、正しいポテンシャルと同じくらい効果的に学習を加速させる。
厳密な標準的不変性は診断に有用である。
本研究では, 不正な物理的制約を識別するスクリーニングと, 不正な不変性を回復し, 責任のある物理パラメータを識別する属性の2つの手順を開発する。
これを実現するために、正規形式デフレと商空間復元を導入する。
一方、観測空間のベースラインは、いかなるローカライズもしない;属性は、7つのパラメータのすべての障害に対して責任あるパラメータを回復する。
ペア化差分テストはすべての障害を検出し、検出よりもローカライゼーションが有利であることを示す。
10^{-4}$による摂動参照発生器の摂動は14--15/15の局所化を保存し、スクリーニングが正確性を必要としないことを示す一方、理想的-等式決定は摂動をわずか10^{-12}$と区別し、代数的比較に正確性が必要であることを示す。
11のRL環境にわたる350のリリースペアに適用された診断では、ベンチマーク実装自体の特性を明らかにする代わりに、シミュレーションのダイナミクスが変更されたという証拠は見つからない。
関連論文リスト
- Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。
スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
論文 参考訳（メタデータ） (2026-08-10T19:42:01Z) - Where Is My Physics Wrong? Localized and Identifiable Discovery of Model Discrepancy [6.016090674751934]
LISDD, Localized, Identible Sparse Discovery of Discrepancyは, モデルエラーをオペレーティングシステムにローカライズするフレームワークである。
偽発見レート拡張は、異なるメカニズムの異なる複数の離散領域を扱う。
その結果、固定物理法則が1つの操作系で静かに破れるとき、グレーボックス建築エネルギーモデルの校正診断ツールが得られた。
論文 参考訳（メタデータ） (2026-06-22T12:03:14Z) - Pressure-Testing Deception Probes in LLMs: Scaling, Robustness, and the Geometry of Deceptive Representations [5.218766876318545]
LLMのアクティベーションをトレーニングした線形プローブは、騙し検出指標としてますます提案されているが、AUROCは分布シフトの下で崩壊しながらクリーンなベンチマークで0.96を超えることを報告している。
本稿では, Gemma 3 モデルファミリ(1B-27B パラメータ)における圧力-プローブ-ベースの測定値について, 系統的に検討する。
1) 単線方向, (2) 多次元部分空間, (3) 凸円錐殻, (4) エントロピープロキシの4つの仮説を検証した。
論文 参考訳（メタデータ） (2026-05-27T04:51:55Z) - OrthoFormer: Instrumental Variable Estimation in Transformer Hidden States via Neural Control Functions [0.0]
シーケンシャルなモデリングにおいて優れたトランスフォーマーアーキテクチャは、相関学習によって基本的に制限される。
そこで我々はOrthoFormerを提案する。OrthoFormerは機械的変数推定をニューラル制御機能を介してTransformerブロックに直接組み込む因果的基底アーキテクチャである。
論文 参考訳（メタデータ） (2026-03-08T03:05:16Z) - Seed-Induced Uniqueness in Transformer Models: Subspace Alignment Governs Subliminal Transfer [0.3805935148497361]
教師が生徒が線形に復号化できる隠された特徴を埋め込むトランスフォーマーモデルにおけるサブリミナルトランスファーの分析を行う。
伝達強度は特性識別部分空間内のアライメントに比例する。
論文 参考訳（メタデータ） (2025-11-02T17:34:43Z) - Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal
Approach [51.012396632595554]
不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。
最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。
本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
論文 参考訳（メタデータ） (2023-12-15T12:58:05Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Model-based causal feature selection for general response types [8.228587135343071]
Invariant causal prediction (ICP) は、不均一な設定からのデータを必要とする因果的特徴選択の手法である。
我々は変換モデル(TRAM)ベースのICPを開発し、連続的、分類的、カウント型、非形式的に検閲された応答を可能にする。
我々は、オープンソースのRパッケージ「tramicp」を提供し、シミュレーションデータに対する我々のアプローチを評価し、重篤な患者の生存の因果的特徴を調査する事例研究を行った。
論文 参考訳（メタデータ） (2023-09-22T12:42:48Z) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳（メタデータ） (2023-01-19T18:39:48Z) - Posterior Collapse and Latent Variable Non-identifiability [54.842098835445]
柔軟性を犠牲にすることなく識別性を強制する深層生成モデルである,潜時同定可能な変分オートエンコーダのクラスを提案する。
合成および実データ全体にわたって、潜在識別可能な変分オートエンコーダは、後方崩壊を緩和し、データの有意義な表現を提供する既存の方法より優れている。
論文 参考訳（メタデータ） (2023-01-02T06:16:56Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z)
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。