論文の概要: BEACON: Belief-Enabled Adaptive CONtrol for Imitation Learning under Uncertainty

• arxiv url: http://arxiv.org/abs/2609.22730v1
• Date: Sat, 19 Sep 2026 03:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:29:55.310294
• Title: BEACON: Belief-Enabled Adaptive CONtrol for Imitation Learning under Uncertainty
• Title（参考訳）: BEACON:不確実性下での模倣学習に適応可能なコントロル
• Abstract要約: ベイズ的信念を用いた隠れ状態の構造化表現に関するポリシーの条件付けを提案する。 この表現は生の履歴を構造化されたコンパクトな入力に置き換え、ポリシーが探索的行動と搾取的行動の間に暗黙的に変調することを可能にする。 両領域において、信念条件付き政策は観察のみの基準線を著しく上回り、特権的地道的パフォーマンスにアプローチする。
• 参考スコア（独自算出の注目度）: 16.171337443610962
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robot manipulation tasks often involve hidden state information that cannot be directly observed and must be inferred through sequential physical interactions. In such partially observable settings, conditioning an imitation learning policy directly on the recent raw observation history leads to poor performance. This is due to state aliasing, wherein identical observations may arise from different hidden states, and the policy receives conflicting action labels for the same input. To enable history-aware disambiguation capability, we propose conditioning a diffusion policy on a structured representation of the hidden states using Bayesian belief that exposes both the current most likely state estimate and the remaining uncertainty. This representation replaces raw history with a structured, compact input, enabling the policy to implicitly modulate between exploratory and exploitative behaviors based on belief uncertainty, without explicit mode switching or reward shaping. We evaluate across two domains with qualitatively different belief representations: a continuous belief for cornstalk gripper alignment via tactile sensing, and a discrete categorical distribution for latched door opening. In both domains, the belief-conditioned policy substantially outperforms the observation-only baseline and approaches privileged ground-truth performance, with ablations illustrating that the policy adapts its exploration behavior depending on the belief uncertainty at inference time.
• Abstract（参考訳）: ロボット操作タスクは、直接観察できない、シーケンシャルな物理的相互作用によって推論されなければならない隠された状態情報を含むことが多い。 このような部分的に観察可能な設定では、最近の生観測履歴に直接模倣学習ポリシーを条件付けると、性能が低下する。 これは、同じ観測が異なる隠された状態から発生し、ポリシーが同じ入力に対して競合するアクションラベルを受け取るという状態エイリアスによるものである。 歴史を意識した曖昧さを解消するために,現在最も可能性の高い状態推定と残りの不確実性の両方を明らかにするベイズ的信念を用いて,隠れ状態の構造的表現に拡散ポリシーを条件付けることを提案する。 この表現は生の履歴を構造化されたコンパクトな入力に置き換え、明示的なモード切り替えや報酬形成なしに、信念の不確実性に基づく探索的行動と搾取的行動の間に暗黙的に変調することができる。 触覚センシングによるコーンストークグリップアライメントの連続的信念と,ラッチドア開口の離散的カテゴリー分布の2つの領域を定性的に異なる信念表現を用いて評価した。 両領域とも、信念条件付き政策は観察のみの基準線を大幅に上回り、厳密なパフォーマンスに近づき、その政策が推論時の信条の不確実性に応じてその探索行動に適応することを強調している。

関連論文リスト

• Selective Commitment for Language-Guided Object Retrieval under Partial Observability [1.582181611732474]
  部分的な可観測性の下での言語誘導オブジェクト検索では、より多くの証拠を集め、現場と対話し、候補者をつかむか、棄権するかを決定する必要がある。 参照コンテナに関連する対象を検索するために,これらの決定をコーディネートするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-19T16:59:07Z)
• DCS: A Unified Conditional Sensitivity Framework for Cross-Modal Copyright Infringement Detection [0.0]
  本研究は,著作権侵害の証拠を条件付き分散シフトとして扱う,統合されたポストホック検出フレームワークを開発する。 保護対象は、その目標がトレーニングプロセスに含まれるか、または取り除かれた場合、整列条件下でのモデルの振る舞いが測定可能に変更されるかどうか疑わしい。 このフレームワークは、リッジ規則化線形回帰、条件付き拡散モデル、自己回帰言語モデル、マルチモーダルモデルのためにインスタンス化されている。
  論文  参考訳（メタデータ） (2026-07-24T07:00:44Z)
• On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
  このような情報条件の相互作用パターンを振る舞い依存として定式化する。 これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。 その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
  論文  参考訳（メタデータ） (2026-02-24T22:55:21Z)
• Operational Noncommutativity in Sequential Metacognitive Judgments [0.0]
  メタ認知評価は、確率的読み出しを伴う内部状態空間に作用する状態変化操作としてモデル化されていることを示す。 また, 逐次的信頼, 誤り様相, 知覚的判断による知識的判断を含む行動パラダイムについても概説する。
  論文  参考訳（メタデータ） (2026-02-15T08:15:48Z)
• Invariant Causal Imitation Learning for Generalizable Policies [87.51882102248395]
  Invariant Causal Learning (ICIL) を提案する。 ICILはノイズ変数の特定の表現から切り離された因果的特徴の表現を学習する。 ICILは、目に見えない環境に一般化可能な模倣ポリシーの学習に有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-02T16:52:36Z)
• Hallucinated Adversarial Control for Conservative Offline Policy Evaluation [64.94009515033984]
  本研究では,環境相互作用のオフラインデータセットが与えられた場合,政策のパフォーマンスを低く抑えることを目的とした,保守的非政治評価(COPE)の課題について検討する。 本稿では,遷移力学の不確実性を考慮した学習モデルに基づくHAMBOを紹介する。 結果のCOPE推定値が妥当な下界であることを証明し、正則性条件下では、真に期待された戻り値への収束を示す。
  論文  参考訳（メタデータ） (2023-03-02T08:57:35Z)
• Deconfounding Imitation Learning with Variational Inference [19.99248795957195]
  標準的な模倣学習は、スペシャリストが模倣剤とは異なる感覚入力を持つ場合、失敗する可能性がある。 これは、部分的な可観測性によって、因果グラフに隠された共同創設者が生まれるためである。 本稿では,専門家の潜伏情報を推測するために変分推論モデルを訓練し,それを用いて潜伏条件ポリシーを訓練することを提案する。
  論文  参考訳（メタデータ） (2022-11-04T18:00:02Z)
• A New Bandit Setting Balancing Information from State Evolution and Corrupted Context [52.67844649650687]
  本稿では,2つの確立されたオンライン学習問題と包括的フィードバックを組み合わせた,逐次的意思決定方式を提案する。 任意の瞬間にプレーする最適なアクションは、エージェントによって直接観察できない基礎となる変化状態に付随する。 本稿では,レフェリーを用いて,コンテキストブレイジットとマルチアームブレイジットのポリシーを動的に組み合わせるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-16T14:35:37Z)
• Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with Latent Confounders [62.54431888432302]
  無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。 我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
  論文  参考訳（メタデータ） (2020-07-27T22:19:01Z)

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。