論文の概要: Anatomy of a Closed-Loop Collapse: A Causal Case Study of a Compressed VLA Policy

• arxiv url: http://arxiv.org/abs/2609.23048v1
• Date: Sat, 19 Sep 2026 14:29:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.656193
• Title: Anatomy of a Closed-Loop Collapse: A Causal Case Study of a Compressed VLA Policy
• Title（参考訳）: 閉ループ崩壊の解剖 : 圧縮型VLAのケーススタディ
• Abstract要約: 圧縮された操作ポリシーは、クローズドループ実行中にオフライン評価をパスすることができる。 自然発生症例の因果解剖に寄与する。 最小ペアの介入は、トレーニングストリームの半分を配置配信の教師ロールアウトに置き換える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compressed manipulation policies can pass offline evaluation while failing in closed-loop execution; this dissociation is established in prior work and is not our claim. We contribute a causal anatomy of one naturally occurring case. An 8-layer distillation of Octo-Base retains 86% of parameters, passes every offline check we applied (0.996 and 1.000 teacher-ratios on the family's own validation metrics), and collapses in closed loop: 0/72 vs. the teacher's 40/72 on a simulated WidowX pick-and-place task. The collapse is structured, not diffuse: early task stages degrade gradually (the student moves the object at 90% of the teacher's rate and grasps at 55%), while transport-to-target fails categorically, at 0% in every training variant. Paired action-trace forensics isolate the signature: a negative, late-heavy $z$ residual, roughly 10x its post-repair magnitude, and persistent across the base distillation and both continuation branches. Four standard therapies fail under matched controls: continued training and in-domain offline data leave success at zero, even though the latter measurably improves marginal action statistics; command-level compensation recovers nothing at any offset, although the same perturbations degrade healthy policies; clamping the symptom in the command channel preserves grasping, yet success stays at floor. A minimal-pair intervention that substitutes half of the training stream with deployment-distribution teacher rollouts, with every other setting held fixed, restores parity with the teacher (18/36 vs. 17/36 held-out), eliminates that signature, and recovers a teacher-like perturbation-response profile. We claim existence, not universality. Operationally, offline gates, including a family's own validation metrics, are insufficient acceptance tests for compressed policies; a few dozen closed-loop trials sufficed to find what they missed.
• Abstract（参考訳）: 圧縮操作ポリシはクローズドループ実行時にオフライン評価をパスすることができる。 自然発生症例の因果解剖に寄与する。 Octo-Baseの8層蒸留は、パラメータの86%を保持し、適用したすべてのオフラインチェック(家族の検証基準で0.996と1.000の教師比)をパスし、クローズドループで崩壊する:0/72対教師の40/72対シミュレーションWidowXピック・アンド・プレイス・タスク。 初期のタスクステージは徐々に劣化し(学生は教師の90%の速度でオブジェクトを移動し、55%で把握する)、一方、トランスポート・トゥ・ターゲットは分類的に失敗し、各トレーニング変種で0%で失敗する。 ペアド・アクション・トラス法医学は、負の、遅い重量のz$残基、約10倍の反動の後等級、塩基蒸留と両方の継続分枝という署名を分離する。 トレーニングの継続とドメイン内のオフラインデータがゼロで成功するという4つの標準的な治療法は失敗する。後者はマージン的なアクション統計を改善したとしても成功を保ち、コマンドレベルの補償はどんなオフセットでも回復しない。 トレーニングストリームの半分を配置配信の教師ロールアウトに置き換える最小ペアの介入は、他のすべての設定が固定され、教師との平等を回復し(18/36 vs. 17/36)、その署名を排除し、教師のような摂動応答プロファイルを復元する。 我々は存在を主張し、普遍性は主張しない。 運用上、家族自身の検証指標を含むオフラインゲートは、圧縮されたポリシーの受け入れテストが不十分である。

関連論文リスト

• Behavioral Cloning Outperforms Entropy-Regularized RL: Critic-Driven Failure of Actor-Critic Methods on Adaptive Tumor Treatment [46.644955105516466]
  そこで, 最適制御解析により良好なスケジュールの形状を定式化する3つの腫瘍制御ODEについて検討した。 コンパレータに対して、微調整されたポリシーは、失敗ではなく、有能なコントローラとして読むだろう。
  論文  参考訳（メタデータ） (2026-09-06T15:18:25Z)
• WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
  WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。 アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。 凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
  論文  参考訳（メタデータ） (2026-08-10T11:22:53Z)
• OPTD: On-Policy Transition Distillation with Consistency-Guided Adaptive Compression for Few-Step Diffusion Language Models [39.15861870749305]
  OPTD, On-Policy Transition Distillation with consistency-guided Adaptive compression。 これは、数段階の学生自身の軌跡から部分的な状態をサンプリングし、凍結した質問のみの教師を使用して結果に整合した将来の候補者を特定し、現状の信頼でそれらを注文する。 品質効率のトレードオフを継続的に改善し、評価された数ステップのベースラインの中で、全体的な品質に制約のあるAUPを最強に達成します。
  論文  参考訳（メタデータ） (2026-08-03T23:09:43Z)
• Evaluation Blindness: How Silent Measurement Failures Corrupt AI Systems from Training to Deployment [0.0]
  障害は、トレーニングループ、評価パイプライン、運用監視スタックを通じて伝播し、下流の害が目に見えるようになるまで続く。 測定関数Mは、システムが実際に故障している間に、健康状態と区別できない読影を発生させる際に、障害クラスFに対する評価盲点を示す。
  論文  参考訳（メタデータ） (2026-08-03T18:33:37Z)
• Abstention as an Action Can Kill Both the Reward Gradient and the KL Anchor: Collapse Law and Repair for Error-Penalized Reinforcement Learning [5.990509154718772]
  誤判定ルール(正解は+1ドル、誤答は$$、棄権は$0ドル)は幻覚に対してますます規定されている。 我々は、KL-anchored学習者が逆のことができることを証明した。
  論文  参考訳（メタデータ） (2026-07-31T21:31:07Z)
• Outcome-Confounded Local Supervision in On-Policy Distillation [0.5937989874256571]
  オンライン蒸留は生徒を自身の軌道で訓練し、教師は生徒が訪問する接頭辞に密集したトークンレベルを供給している。 いずれの読解も、完成した軌跡の結果によって構築されていることを示す。 最終回答の正しさを両立させた結果解決診断法を提案する。
  論文  参考訳（メタデータ） (2026-07-26T16:03:33Z)
• A Testable Certificate for Constant Collapse in Teacher-Guided VAEs [3.812090634738739]
  変異型オートエンコーダの後方崩壊は、しばしばその症状によって診断される。 本研究では, 具体的故障モード, 入力非依存定数崩壊について検討し, 正確なしきい値が認められたことを示す。
  論文  参考訳（メタデータ） (2026-05-07T07:48:41Z)
• TCOD: Exploring Temporal Curriculum in On-Policy Distillation for Multi-turn Autonomous Agents [55.27396165691312]
  マルチターンエージェント設定におけるバニラOPDの鍵となる制限を,トラジェクトリレベルKL不安定(Trajectory-Level KL Instability)と呼ぶ。 学生に露出する軌道深度を制御し,カリキュラムのスケジュールを段階的に拡張するフレームワークであるTCODを提案する。 4組の生徒と教師のペアによる実験結果から,TCODはKLのエスカレーションを軽減し,トレーニングを通してKLの安定性を高め,バニラPDよりも最大18ポイントのエージェント性能を向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-27T03:38:27Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Do We Need Zero Training Loss After Achieving Zero Training Error? [76.44358201918156]
  本研究では,遠心分離法(Emphflooding)と呼ばれる直接解法を提案する。 本研究では, 浸水により性能が向上し, 副産物として, 試験損失の2重降下曲線が誘導されることを実験的に示す。
  論文  参考訳（メタデータ） (2020-02-20T12:50:49Z)

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。