論文の概要: Schema-Adaptive Action-Conditioned JEPA for Cross-Machine CNC Transfer under Partial Sensor Overlap

• arxiv url: http://arxiv.org/abs/2609.16071v1
• Date: Sun, 13 Sep 2026 15:10:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.124032
• Title: Schema-Adaptive Action-Conditioned JEPA for Cross-Machine CNC Transfer under Partial Sensor Overlap
• Title（参考訳）: 部分的センサオーバーラップ下でのクロスマシンCNC転送のためのスキーマ適応型アクションコンディションJEPA
• Abstract要約: 産業の世界モデルのクロスマシン展開には、ダイナミックス、センシングインターフェース、サンプリングレジーム、制御ユニットの変更をまたぐ移動が必要である。 CNC力学のためのスキーマ適応型動作条件付き共同組込み予測アーキテクチャ (SAAC-JEPA) について検討する。 評価には、グループ分離ソース分割、ソースのみの正規化、自己監督型バリデーションの保持、ユニット監査、モデルロック後のシールされたターゲットテストを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-machine deployment of industrial world models requires transfer across changes in dynamics, sensing interfaces, sampling regimes, and control units. We study a schema-adaptive action-conditioned Joint-Embedding Predictive Architecture (SAAC-JEPA) for CNC dynamics, where the source machine has 17 canonical sensor channels and the target shares only 10. Evaluation uses group-disjoint source splits, source-only normalization, held-out self-supervised validation, unit audits, and a sealed target test after model locking. Across five seeds, JEPA pretraining gives no clean-source forecasting gain: scratch and pretrained-body models obtain \(\mathrm{RMSE}=0.811\pm0.022\) and \(0.813\pm0.022\). A source-only search over 20 candidates selects a schema-consistent action-conditioned JEPA after seven-seed stability checks. On the confirmatory target pass, the locked model reaches zero-shot \(\mathrm{RMSE}=0.546\), \(R^2=0.012\), and \(\mathrm{NLL}=0.52\), outperforming persistence but not RevIN-equipped PatchTST and iTransformer baselines (\(0.503\) and \(0.498\)). A pre-declared paired ablation shows that RevIN in the same architecture improves RMSE to \(0.495\pm0.004\) over three seeds, but degrades target calibration (\(\mathrm{NLL}=20.6\)) on stationary context windows. A pre-lock adaptation sweep further reduces RMSE to \(0.520\) with limited target support. These results show that source-domain forecasting accuracy alone is insufficient to assess industrial predictive representations, and that cross-machine adaptation under partial sensor overlap is a distinct evaluation axis.
• Abstract（参考訳）: 産業の世界モデルのクロスマシン展開には、ダイナミックス、センシングインターフェース、サンプリングレジーム、制御ユニットの変更をまたぐ移動が必要である。 我々は,CNCダイナミックスのためのスキーマ適応型動作条件付き共同組込み予測アーキテクチャ (SAAC-JEPA) について検討し,ソースマシンは17個の標準センサチャネルを持ち,ターゲットは10個しか共有していない。 評価には、グループ分離ソース分割、ソースのみの正規化、自己監督型バリデーションの保持、ユニット監査、モデルロック後のシールされたターゲットテストを使用する。 5つの種にまたがって、JEPA事前学習はクリーンソース予測の利得を与えない:スクラッチと事前訓練されたボディモデルは、(\mathrm{RMSE}=0.811\pm0.022\)および(0.813\pm0.022\)を得る。 ソースのみの20以上の候補が、7シードの安定性チェックの後、スキーマ一貫性のあるアクション条件のJEPAを選択する。 確認対象パスでは、ロックされたモデルはゼロショット \(\mathrm{RMSE}=0.546\), \(R^2=0.012\), \(\mathrm{NLL}=0.52\) に到達するが、RevINを装備したPatchTSTやiTransformerベースライン(\(0.503\)や\(0.498\)は実行されない。 事前宣言されたペアアブレーションは、同じアーキテクチャのRevINがRMSEを3つの種に対して(0.495\pm0.004\)に改善することを示しているが、静止したコンテキストウィンドウ上でターゲットキャリブレーション(\(\mathrm{NLL}=20.6\))を低下させる。 プリロック適応スイープは、RMSEをさらにターゲットサポートを限定した \(0.520\) に還元する。 これらの結果から, ソースドメイン予測精度だけでは産業的な予測表現を評価するには不十分であり, 部分センサオーバーラップによるクロスマシン適応は, 異なる評価軸であることが示唆された。

関連論文リスト

• AcrossWAM1.0:A Modular Latent World-Action Stack for Compact Robot Policies [14.556446786016787]
  本稿では,LaWAMの潜在的ワールドアクションスタックのモジュール化とスケーリングに関する研究であるAcrossWAM1.0を紹介する。 AcrossWAM1.0は、コンパクトな潜在世界アクションポリシーのための監査可能なソフトウェアと評価バウンダリを提供する。
  論文  参考訳（メタデータ） (2026-08-30T18:09:17Z)
• Reliable Neural Collapse Approximation for Open-World Test-Time Adaptation [95.55552104238787]
  Test-Time Adaptation (TTA)メソッドは、ソースとターゲットドメイン間のドメインギャップを埋めることを目的としている。 従来のTTA法はラベルの分布シフトが発生すると効果が低下する。 オープンワールドテスト時間適応のためのReliable Neural Collapse approximation (ReNC) という新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-08-20T10:57:44Z)
• No Gaussian Required: Contrastive Inverse Dynamics for JEPA World Models [2.506624215459612]
  JEPA(Joint-Embedding Predictive Architectures)は、将来の埋め込みを予測することで世界モデルを学ぶ。 すべての実用システムは、反崩壊機構を追加します。 我々は、反崩壊圧は移行データ自体から得ることができると主張している。
  論文  参考訳（メタデータ） (2026-08-18T09:03:35Z)
• A Deployment-Oriented and Resource-Efficient Neuro-Symbolic Framework for Explainable DDoS Detection in Operational Technology Networks [1.202468381202799]
  本稿では,資源制約環境下での堅牢なDDoS検出に特化して設計されたニューロシンボリック・フレームワークを提案する。 このフレームワークは、浅い決定木をシンボル成分としてゲートリカレントユニット(GRU)ニューラルネットワークを融合する。 ハイブリッドモデルは、3つの実世界のベンチマークDDoSデータセットで評価される。
  論文  参考訳（メタデータ） (2026-08-17T16:18:15Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• The SIGReg Objective as Variational Free Energy: A Theoretical Active-Inference Account of JEPA World Models [47.471225029744424]
  JEPA(Joint-Embedding Predictive Architectures)は、潜在世界モデルの主要な設計である。 本稿では,JEPAのトレーニング目標である予測損失と重み付き埋め込み正規化の選択肢が,有効能動推論(AIF)変動自由エネルギーであるか否かを判定する。
  論文  参考訳（メタデータ） (2026-07-15T08:59:36Z)
• Closed-Loop Control with Rule-Aligned Small Language Models and Multi-Agent Self-Correction [17.527470001317685]
  本研究では,コンパクトな小言語モデル (SLM) を制御推論のために再訓練し,検証器誘導補正ループに組み込むことができるかを検討する。 ランダム化熱制御シミュレーション(それぞれ500段の30の実験)では、平均的なアクションアライメント精度が91.5%に達する。 シンボリック・リマッピングの下では95%のインレンジレートを維持しており、トークンレベルの合意が減ったにもかかわらず、堅牢な物理的規制を示している。
  論文  参考訳（メタデータ） (2026-06-24T13:49:01Z)
• CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
  我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。 CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-09T16:24:16Z)
• Unextractable Protocol Models: Collaborative Training and Inference without Weight Materialization [58.14514930760722]
  参加者が協力して大規模なニューラルネットワークを訓練し、提供する分散セットアップを検討する。 このセットアップでは、フルウェイトセットがどの参加者にも利用できないような、非機械的なウェイトの可能性を探る。 我々は、シャードモデルセットアップを利用するトレーニングおよび推論フレームワーク、Unextractable Protocol Models (UPMs)を紹介する。
  論文  参考訳（メタデータ） (2026-05-22T10:24:57Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• ACAR: Adaptive Complexity Routing for Multi-Model Ensembles with Auditable Decision Traces [3.151184728006369]
  本稿では,聴覚条件下でのマルチモデルオーケストレーションのための測定フレームワークACARを提案する。 ACARは、N=3プローブサンプルから計算した自己整合分散(sigma)を使用して、単一モデル、2モデル、3モデル実行モードでタスクをルーティングする。 我々は4つのベンチマークにまたがる1,510のタスクに対してACARを評価し、7,550以上の監査可能な実行を生成した。
  論文  参考訳（メタデータ） (2026-02-06T23:27:17Z)
• PRISM: Distributed Inference for Foundation Models at Edge [73.54372283220444]
  PRISMは、エッジデバイス上での分散トランスフォーマー推論のための通信効率と計算アウェア戦略である。 ViT,BERT,GPT-2のPRISMを多種多様なデータセットで評価した。
  論文  参考訳（メタデータ） (2025-07-16T11:25:03Z)

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。