論文の概要: Runtime-Incremental Transformer for Reinforcement-Learning-Based Adaptive Control

• arxiv url: http://arxiv.org/abs/2609.13545v1
• Date: Fri, 11 Sep 2026 21:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.387466
• Title: Runtime-Incremental Transformer for Reinforcement-Learning-Based Adaptive Control
• Title（参考訳）: 強化学習に基づく適応制御のための実行時インクリメンタルトランス
• Abstract要約: 非可観測摩擦記憶を持つロボットマニピュレータの学習に基づく適応制御は、注目に基づくメタコントローラによって解決されている。 本稿では,強化学習中に注意ブロックの頭部を成長させる機構を紹介する。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-based adaptive control of robotic manipulators with non-observable friction memory has been addressed by attention- based meta-controllers whose number of attention heads is fixed before training and is tuned by costly offline search. At long memory horizons, such fixed-capacity controllers are prone to catastrophic failures on a sizeable fraction of training seeds. The present paper introduces a runtime mechanism that grows and prunes the heads of the attention block during reinforcement learning, governed by two signals: the effective rank of the on-policy context distribution, which triggers growth when representational capacity becomes insufficient, and the per-head output magnitude, which flags redundant heads for removal. Policy continuity at growth events and a quantitative bound at prune events are established analytically. On a two- link manipulator with Stribeck friction, the proposed mechanism attains full success across all memory regimes, eliminating the long-horizon failure mode and removing the need for offline tuning of the head count.
• Abstract（参考訳）: 非可観測摩擦メモリを持つロボットマニピュレータの学習に基づく適応制御は、トレーニング前に注目ヘッド数が固定され、高価なオフライン探索によって調整されるアテンションベースのメタコントローラによって解決されている。 長期記憶の地平線では、そのような固定容量のコントローラは、訓練種子のかなりの数で破滅的な失敗をしがちである。 本稿では,強調学習中に注意ブロックの頭部を成長させ,刺激する実行機構について紹介する。すなわち,表現能力が不足すると成長を誘発するオン・ポリケーション・コンテクスト分布の効果的なランクと,冗長なヘッドを除去するためにフラグ付けするヘッド当たりの出力サイズである。 成長イベントにおける政策継続性とプルーイベントにおける定量的境界を解析的に確立する。 ストリベック摩擦を持つ2リンクマニピュレータでは、提案機構は全てのメモリレシスタンスで完全な成功を達成し、長い水平障害モードを排除し、ヘッドカウントのオフラインチューニングを不要にする。

関連論文リスト

• Mitigating Bus Bunching with Reinforcement Learning Enhanced by Semantic Stop Embedding [6.0671705325267835]
  バスの群れはサービスの定期性を低下させ、高頻度交通機関の乗客待ち時間を増加させる。 本研究では,イベント駆動型バス保持制御のためのLLM支援セマンティックストップ表現を提案する。
  論文  参考訳（メタデータ） (2026-08-10T20:21:52Z)
• Confusion-Geometry Rebalancing for Long-Tailed Adversarial Training [53.3522202888031]
  長い尾の分布の下での敵の訓練は二重の不均衡に悩まされ、クラス不均衡はヘッドクラスに対する訓練目標を歪ませる。 そこで本研究では,有向なロバストな誤りを学習信号として活用するプラグインフレームワークである長尾逆行訓練のためのコンフュージョン幾何分散法(CGRm)を提案する。
  論文  参考訳（メタデータ） (2026-08-10T14:54:00Z)
• Mechanism-Driven Monitors for Preemptive Detection of LLM Training Instability [20.49786007379445]
  本研究では,各クリティカルモジュールの機能的役割から内部モニターを導出することにより,トレーニング不安定性のメカニズム駆動検出を行う。 低精度の注意、大規模学習率、複合障害に関する私たちのフォールトインジェクション実験は、これらの信号が異なる障害に対して異なるシグネチャを提供することを示している。
  論文  参考訳（メタデータ） (2026-06-26T14:18:22Z)
• Temporal Attention for Adaptive Control of Euler-Lagrange Systems with Unobservable Memory [1.2891210250935148]
  本稿では,自己注意ブロックによって演算トルク制御器の利得が生成されるメタ制御アーキテクチャを提案する。 注意頭数は、記憶状態勾配の代理解析によりポリシートレーニングの前に選択される。 この手法は非線形摩擦と可変ペイロードを持つ2-DOFマニピュレータで試験される。
  論文  参考訳（メタデータ） (2026-05-07T19:25:18Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• Training-free Context-adaptive Attention for Efficient Long Context Modeling [57.703159205740185]
  トレーニングフリーコンテキスト適応注意(TCA-Attention)は、学習不要なスパースアテンション機構であり、効率的な長文推論のための情報トークンのみに選択的に参画する。 TCA-Attentionは2.8$times$のスピードアップを実現し、128Kのコンテキスト長でKVキャッシュを61%削減し、フルアテンションに匹敵するパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2025-12-10T01:54:57Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• End-to-End Visual Autonomous Parking via Control-Aided Attention [30.52881549605385]
  CAA-Policyは、正確な駐車のためのエンドツーエンドの模倣学習システムである。 制御信号は、新しい制御支援注意機構を通じて視覚的注意の学習を導くことができる。
  論文  参考訳（メタデータ） (2025-09-14T04:51:19Z)
• Gated Slot Attention for Efficient Linear-Time Sequence Modeling [59.019501274074564]
  Gated Slot Attention(GSA)は境界メモリ・コントロル(ABC)による注意を高める GSAはGated Linear Attention (GLA)にインスパイアされたゲーティング機構を組み込んでいる
  論文  参考訳（メタデータ） (2024-09-11T09:49:50Z)
• From Imitation to Refinement -- Residual RL for Precise Assembly [19.9786629249219]
  近年のビヘイビア・クローン(BC)の進歩により、ロボットに新しいタスクを教えるのが容易になった。 しかし、教育の容易さは信頼性の低いパフォーマンスを犠牲にしている。 我々は,BCの教えやすさと長期的能力を維持しながら信頼性を克服する,シンプルで効果的な方法であるResiPを考案した。
  論文  参考訳（メタデータ） (2024-07-23T17:44:54Z)
• SHERL: Synthesizing High Accuracy and Efficient Memory for Resource-Limited Transfer Learning [63.93193829913252]
  本稿では,リソース制限シナリオに対するSHERLと呼ばれる革新的なMETL戦略を提案する。 初期経路では、中間出力は反冗長動作によって統合される。 遅延ルートでは、最小限の遅延事前トレーニングされたレイヤを利用することで、メモリオーバーヘッドのピーク需要を軽減できる。
  論文  参考訳（メタデータ） (2024-07-10T10:22:35Z)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)

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。