Fugu-MT 論文翻訳(概要): Contrastive World Models

論文の概要: Contrastive World Models

arxiv url: http://arxiv.org/abs/2609.22175v1
Date: Thu, 27 Aug 2026 04:52:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.757339
Title: Contrastive World Models
Title（参考訳）: 対照的世界モデル
Abstract要約: 本稿では,画素再構成を伴わない潜在力学モデルの学習手法であるContrastive World Modelsを提案する。我々は、標準世界モデルにおける観測の再構築を、Deep InfoMaxのような下界に置き換える。視覚的複雑さを増大させる3つの設定の小さな実験において、我々のアプローチを評価する。
参考スコア（独自算出の注目度）: 0.14863659125103162
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: World models trained via pixel reconstruction can struggle in visually complex environments, where irrelevant information dominates the objective and distract the model from information relevant to planning and control. We present Contrastive World Models, an approach for learning latent dynamics models without pixel reconstruction. Building on Dreamer, we replace observation reconstruction in the standard world model objective with a Deep InfoMax-like lower bound that maximizes the mutual information between state-action sequences and local patch features of future observations, encouraging state representations to retain information that is predictive of the future without requiring the model to reconstruct visually irrelevant details. We evaluate our approach in small-scale experiments across three settings of increasing visual complexity. Our method matches Dreamer and a momentum prediction baseline in the default setting, and substantially outperforms both once distractors or natural video backgrounds are introduced, while also training more efficiently by removing the pixel decoder entirely. Our approach is general and makes minimal assumptions beyond access to state-action sequences and future observations. These results suggest that contrastive, infomax-based objectives are a principled and promising direction for building world models that are robust to visual nuisance factors, a property particularly relevant for transferring model-based RL agents to the real world.
Abstract（参考訳）: ピクセル再構成によって訓練された世界モデルは、無関係な情報が目的を支配し、計画や制御に関連する情報からモデルを遠ざけるという、視覚的に複雑な環境に苦しむことがある。本稿では,画素再構成を伴わない潜在力学モデルの学習手法であるContrastive World Modelsを提案する。本研究では,Dreamer 上に構築した標準世界モデルにおける観測再現を,状態-動作シーケンスと将来の観測の局所パッチ特徴の相互情報を最大化するDeep InfoMax のような下界に置き換えるとともに,モデルが視覚的に無関係な詳細を再構築することなく,将来の予測情報を保持するように,状態表現を奨励する。視覚的複雑さを増大させる3つの設定の小さな実験において、我々のアプローチを評価する。提案手法はデフォルト設定でDreamerと運動量予測ベースラインに一致し,イントラクタと自然ビデオの両方のバックグラウンドを導入し,ピクセルデコーダを完全に取り除き,効率よくトレーニングを行う。我々のアプローチは一般的であり、状態-作用シーケンスや将来の観測以上の最小限の仮定を下している。これらの結果から, 対照的なインフォマックスに基づく目的は, 視覚的ニュアンス要因に頑健な世界モデルを構築する上での原則的かつ有望な方向であり, モデルベースRLエージェントを現実世界に転送する上で特に重要な特性であることが示唆された。

関連論文リスト

Predicting Consequences and Reinforcing Navigation Policies with Latent World Models [31.865100130203317]
ロボットナビゲーションのためのLWM(Latent World Model)を提案する。我々の重要な洞察は、空間的近接は潜在的特徴の類似性と相関し、潜在的空間において行動結果を直接評価できるということである。提案手法は,予測精度,ポリシー学習,実世界のナビゲーション性能において,前世界モデルと模倣学習法を著しく上回っている。
論文参考訳（メタデータ） (2026-08-23T11:58:42Z)
When Object-Centric World Models Meet Policy Learning: From Pixels to Policies, and Where It Breaks [24.669692812050645]
我々は、ピクセルから直接オブジェクトレベルのラテントを学習する、完全に教師なし、不整合なオブジェクト中心の世界モデルを導入する。 DLPWMは、複数のアウト・オブ・ディストリビューション(OOD)視覚変化に対する堅牢性を含む、強い再構成と予測性能を達成する。その結果,物体中心の知覚は頑健な視覚モデルを支援するが,安定した制御を実現するには潜伏ドリフトを緩和する必要があることが示唆された。
論文参考訳（メタデータ） (2025-11-08T21:09:44Z)
Learning Primitive Embodied World Models: Towards Scalable Robotic Learning [50.32986780156215]
我々は,世界モデリングのための新しいパラダイム--Primitive Embodied World Models (PEWM)を提案する。ビデオ生成を固定的な短地平線に制限することにより,ロボット行動の言語概念と視覚的表現の微妙なアライメントを可能にする。我々のフレームワークは、きめ細かい物理的相互作用と高レベルの推論のギャップを埋め、スケーラブルで解釈可能で汎用的なインテリジェンスへの道を開く。
論文参考訳（メタデータ） (2025-08-28T14:31:48Z)
Dyn-O: Building Structured World Models with Object-Centric Representations [42.65409148846005]
オブジェクト中心の表現に基づいて構築された拡張構造化世界モデルであるDyn-Oを紹介する。オブジェクト中心表現における以前の研究と比較すると、Dyn-Oは学習表現とモデリングダイナミクスの両方において改善されている。提案手法は,画素観測からオブジェクト中心の世界モデルを直接学習し,DreamerV3のロールアウト予測精度を向上する。
論文参考訳（メタデータ） (2025-07-04T05:06:15Z)
World Models for Cognitive Agents: Transforming Edge Intelligence in Future Networks [55.90051810762702]
本稿では,世界モデルを概観し,そのアーキテクチャ,トレーニングパラダイム,予測,生成,計画,因果推論といった応用を概観する。ワイヤレスエッジインテリジェンス最適化に適した,新しい世界モデルに基づく強化学習フレームワークであるWireless Dreamerを提案する。
論文参考訳（メタデータ） (2025-05-31T06:43:00Z)
EDELINE: Enhancing Memory in Diffusion-based World Models via Linear-Time Sequence Modeling [8.250616459360684]
EDELINEは、状態空間モデルと拡散モデルを統合する統一世界モデルアーキテクチャである。我々のアプローチは、視覚的に困難なAtari 100kタスク、メモリ要求ベンチマーク、3DファーストパーソンのViZDoom環境において、既存のベースラインよりも優れています。
論文参考訳（メタデータ） (2025-02-01T15:49:59Z)
Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文参考訳（メタデータ） (2022-09-29T15:24:47Z)
INFOrmation Prioritization through EmPOWERment in Visual Model-Based RL [90.06845886194235]
モデルベース強化学習(RL)のための修正目的を提案する。相互情報に基づく状態空間モデルに,変分エンパワーメントにインスパイアされた用語を統合する。本研究は,視覚に基づくロボット制御作業における自然な映像背景を用いたアプローチの評価である。
論文参考訳（メタデータ） (2022-04-18T23:09:23Z)
Mutual Information Maximization for Robust Plannable Representations [82.83676853746742]
モデルに基づく強化学習のための情報理論表現学習アルゴリズムMIROを提案する。提案手法は, 邪魔や散らかったシーンの存在下で, 再建目的よりも頑健であることを示す。
論文参考訳（メタデータ） (2020-05-16T21:58:47Z)

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。