論文の概要: LPA-CWM: A Learned Physical Adjudicator for Motion Reasoning with Counterfactual World Models
- arxiv url: http://arxiv.org/abs/2609.14073v1
- Date: Sat, 12 Sep 2026 17:46:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.65149
- Title: LPA-CWM: A Learned Physical Adjudicator for Motion Reasoning with Counterfactual World Models
- Title（参考訳）: LPA-CWM:非現実世界モデルを用いた運動推論のための学習的物理適応器
- Abstract要約: ファクトファクトワールドモデル(CWM)は、現実的および介入的予測を比較して、事前訓練されたビデオ予測器から動きを抽出する。
軽量Learted Physical Adjudicator (LPA) を用いたLPA-CWMを提案する。
評価されたDAVISおよびKineeticsサブセットでは、LPA-CWMはそれぞれ$mathrmDCA_mathrmavg$を60.0%、29.0%改善する。
- 参考スコア（独自算出の注目度）: 18.32186742171967
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Counterfactual world models (CWM) extract motion from pretrained video predictors by comparing factual and intervened predictions. However, responses generated under different target-frame masks vary in reliability, while uniform aggregation weights them equally. We formulate response aggregation as candidate reliability learning and propose LPA-CWM with a lightweight Learned Physical Adjudicator (LPA). Trained on dense MOVi-F trajectories, the 3.0M-parameter LPA compares visual context and response structure across an unordered candidate set to predict relative weights, while the CWM predictor and intervention generator remain frozen. The weighted responses undergo windowed localization and one paired re-evaluation to recover motion. We also introduce Completeness-aware Motion Correspondence (CMC), a ground-truth-anchored evaluation protocol that jointly measures localization, trajectory completeness, visibility, and continuity, counting missing predictions as failures on visible dynamic points. On the evaluated DAVIS and Kinetics subsets, LPA-CWM improves $\mathrm{DCA}_{\mathrm{avg}}$ over Uniform CWM by 60.0\% and 29.0\%, respectively, and also improves tracking accuracy under TAP-Vid First. A quick overview is available at https://LPA-CWM.github.io.
- Abstract（参考訳）: ファクトファクトワールドモデル(CWM)は、現実的および介入的予測を比較して、事前訓練されたビデオ予測器から動きを抽出する。
しかし、異なるターゲットフレームマスクで生成された応答は信頼性が異なるが、均一なアグリゲーションはそれらを等しく重み付けする。
応答集約を候補信頼性学習として定式化し,軽量なLearted Physical Adjudicator (LPA) を用いたLPA-CWMを提案する。
密度の高いMOVi-F軌道で訓練され、3.0MパラメータのLPAは、相対重みを予測するために順序のない候補セットの視覚的コンテキストと応答構造を比較し、CWM予測器と干渉発生器は凍結状態のままである。
重み付けされた応答はウィンドウの局所化と1組の再評価を行い、動きを回復した。
また,局所化,軌道の完全性,可視性,連続性を共同で測定し,欠落した予測を可視的動点上の障害としてカウントする,地中直列評価プロトコルであるCompleteness-Aware Motion Corssociatedence (CMC)を導入する。
評価された DAVIS および Kinetics サブセットでは、LPA-CWM は、それぞれ$\mathrm{DCA}_{\mathrm{avg}}$ を 60.0\% と 29.0\% で改善し、TAP-Vid First でのトラッキング精度も向上した。
簡単な概要はhttps://LPA-CWM.github.io.comで公開されている。
関連論文リスト
- Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。
本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。
公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
論文 参考訳（メタデータ） (2026-08-25T08:27:42Z) - SLIM-0.5B: Learning Action-Grounded Predictive Latents for Robot Manipulation [35.54319311306262]
SLIM はコンパクトな潜在相互作用ポリシーである。
自己教師付きマスク付き軌道予測を通じて表現を学習する。
SLIMは、より少ないパラメータで、大規模なVLAとワールドアクションモデルベースラインとを一致または超える。
論文 参考訳（メタデータ） (2026-08-10T15:58:39Z) - Overcoming Statistical Bias in Action-Controllable World Models [18.890337378174678]
アクション条件付き世界モデルは、エージェントのアクションの下で視覚環境がどのように進化するかを予測することを目的としている。
将来のフレームは、しばしば視覚的慣性や反復的な動きパターンから非常に予測可能である。
アクション制御性を高めるために,CoCoという対実整合性フレームワークを紹介した。
論文 参考訳（メタデータ） (2026-08-05T10:10:36Z) - QuantWAMs: Calibrating at the Right Granularity for World Action Models [34.540026172139406]
World Action Modelsは、将来の観測とアクションを共同で予測するが、反復的なデノゲーションとクローズドループの実行は、デプロイメントにコストがかかる。
我々は,量子化決定をモデル構造,ロールアウト分布,タスク目標によって定義されたキャリブレーションコンテキストと整合するPTQフレームワークQuantWAMを提案する。
我々は,RoboTwin 2.0,LIBERO,AgiBot G2を用いた実ロボット操作において,Fast-WAMおよびLingBot-VA上のQuantWAMを評価した。
論文 参考訳（メタデータ） (2026-07-30T15:54:29Z) - SAW: Stage-Aware Dynamic Weighting for Multi-Objective Reinforcement Learning in Large Language Models [66.92079232778707]
本稿では,アルゴリズムに依存しない軽量な動的重み付け機構として,SAW(Stage-Aware Dynamic Weighting)を提案する。
SAWは、各次元の報酬または利益の貢献を、バッチ内の相対的な情報性によって重み付けする。
ツールコールとテキスト要約タスクの実験により、SAWはトレーニング効率と最終的なパフォーマンスの両方を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-06-05T10:00:19Z) - CWM: Contrastive World Models for Action Feasibility Learning in Embodied Agent Pipelines [2.8681767712152197]
信頼性の高いアクション実現可能性スコアラは、エンボディされたエージェントパイプラインにおける重要なボトルネックである。
既存のアプローチでは、教師付き微調整(SFT)を使用してアクションスコアラーを訓練している。
本稿では,大規模言語モデル(LLM)をアクションスコアラーとして微調整するContrastive World Model (CWM)を提案する。
論文 参考訳（メタデータ） (2026-02-25T22:27:30Z) - Self-Rewarding Sequential Monte Carlo for Masked Diffusion Language Models [58.946955321428845]
本研究は自己回帰型モンテカルロ(SMC)を提示する。
提案アルゴリズムは,既存のMDLMのほとんどが信頼性に基づくサンプリング戦略に依存している点に起因している。
粒子重み付けのための自己回帰信号として軌道レベルの信頼性を導入する。
論文 参考訳（メタデータ） (2026-02-02T09:21:45Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - IPA: An Information-Preserving Input Projection Framework for Efficient Foundation Model Adaptation [56.72132739364876]
隠れた空間の情報を明示的に保存する特徴認識型プロジェクションフレームワークであるIPAを提案する。
IPAはLoRAとDoRAを一貫して改善し、平均1.5ポイントの精度でコモンセンス推論を行う。
論文 参考訳（メタデータ） (2025-09-04T17:10:01Z) - Trajectory Mamba: Efficient Attention-Mamba Forecasting Model Based on Selective SSM [16.532357621144342]
本稿では、選択状態空間モデル(SSM)に基づく新しい効率的な軌道予測フレームワークであるTrajectory Mambaを紹介する。
注意機構の変更による予測精度の潜在的な低減に対処するため,共同ポリリン符号化戦略を提案する。
本モデルでは,Argoverse 1 と Argoverse 2 の両方のデータセットにおける推定速度とパラメータ効率の両面から,最先端の結果が得られる。
論文 参考訳（メタデータ） (2025-03-13T21:31:12Z) - AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。
同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。
そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
論文 参考訳（メタデータ） (2024-03-20T06:22:37Z)
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。