論文の概要: GDLAM: Group-Disentangled Latent Action Model for Highly Disentangled Embodied Pretraining

• arxiv url: http://arxiv.org/abs/2609.26118v1
• Date: Mon, 10 Aug 2026 01:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.882279
• Title: GDLAM: Group-Disentangled Latent Action Model for Highly Disentangled Embodied Pretraining
• Title（参考訳）: GDLAM: 集団不整形潜伏行動モデルによる高遠絡式体育予備訓練
• Abstract要約: GDLAM(Group-Disentangled Latent Action Model)は、Nグループへの構築によってコード化される潜在アクションモデルである。 GDLAMは、Modularity、MIG、DCIを含むラベルなしのアンタングルメントのメトリクスを、強力な非構造化LAMよりも広いマージンで改善する。
• 参考スコア（独自算出の注目度）: 57.6346031635552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent action models (LAMs) learn action-related representations from action-free videos via self-supervised future prediction, offering a scalable paradigm for embodied intelligence pretraining. However, existing LAMs collapse heterogeneous sources of visual change, including camera motion, object dynamics, and interaction events, into a single latent vector, resulting in entangled representations with limited semantic structure and consequently restricting world model controllability and VLA policy generalization. We introduce the Group-Disentangled Latent Action Model (GDLAM), a latent action model whose code is factorized by construction into N groups, each with an independent variational bottleneck and a spatially gated routing pathway, and trained with a set of information-geometric objectives: mutual exclusivity, group and gate sparsity, and static-dynamic orthogonality, that make the groups mutually causally distinct rather than merely decorrelated. Quantitatively, intervening on any single group changes only that group and leaves the others intact, and GDLAM improves label-free disentanglement metrics, including Modularity, MIG, and DCI, by wide margins over a strong unstructured LAM. Notably, this factorization is not at the expense of action information: across three mutual-information estimators and a linear probe, the grouped code is more informative than monolithic baselines both in- and out-of-distribution. As supporting evidence that the disentangled code is a reusable pretraining currency, we further transfer it to two downstream regimes: (1) World Modeling: World models pretrained with GDLAM achieve superior rollout fidelity and action-following capability compared with SOTA baselines. (2) VLA Policies: Pretraining with GDLAM substantially improves task success rates over previous methods across multiple simulation benchmarks and real-world robotic manipulation tasks
• Abstract（参考訳）: ラテントアクションモデル(LAM)は、自己監督された将来の予測を通じてアクションフリービデオからアクション関連表現を学び、インテリジェンス事前訓練のためのスケーラブルなパラダイムを提供する。 しかし、既存のLAMは、カメラモーション、オブジェクトダイナミクス、インタラクションイベントなどの異種な視覚変化源を単一の潜在ベクトルに分解し、意味構造が限定された絡み合った表現となり、世界モデル制御性とVLAポリシーの一般化が制限される。 GDLAM(Group-Disentangled Latent Action Model)は,Nグループの構成によってコード化され,それぞれが独立な変動ボトルネックと空間的にゲートされた経路経路を持ち,相互排他性,グループとゲートの空間性,静的直交性といった情報幾何学的目的のセットで訓練される潜在動作モデルである。 定量的には、1つのグループに介入すると、そのグループだけが変化し、残りはそのまま残され、GDLAMは強力な非構造LAMよりも広いマージンで、モジュール性、MIG、DCIを含むラベルなしのアンタングルメントの指標を改善する。 3つの相互情報推定器と線形プローブを通して、グループ化されたコードは、イン・オブ・ディストリビューションとアウト・オブ・ディストリビューションの両方においてモノリシックなベースラインよりも情報的である。 1)世界モデリング:GDLAMで事前訓練された世界モデルは、SOTAベースラインと比較して、ロールアウト忠実性とアクションフォロー能力に優れる。 2)VLA政策:GDLAMによる事前訓練は、複数のシミュレーションベンチマークや実世界のロボット操作タスクを通して、従来の手法よりもタスク成功率を大幅に向上させる

関連論文リスト

• Harnessing the Wisdom of LLM Crowds through Complementarity-Driven Iterative Collaboration [7.252833168419753]
  大規模言語モデル(LLM)はますますエンタープライズ環境にデプロイされているが、個々のモデルはモデル固有の機能制限によって制限される。 2つの設計原理に基づくフレームワークWILC (Wisdom Integration of LLM Crowds)を提案する。 WilCは、GPT-5.2の平均ベンチマーク性能を、クエリ毎の約7倍のコストで比較している。
  論文  参考訳（メタデータ） (2026-07-31T07:13:59Z)
• From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
  アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。 世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。 我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
  論文  参考訳（メタデータ） (2026-07-13T15:22:56Z)
• DiLA: Disentangled Latent Action World Models [11.259992289079534]
  ラテントアクションモデル(LAM)は、ラベルのないビデオから世界モデルの学習を可能にする。 LAMは、アクション抽象化とジェネレーションフィリティの根本的なトレードオフに直面します。 コンテンツ構造不整合(contentanglement)を通じてこのトレードオフを解決することを目的とした,新しいディスタングル・ラテント・アクション・ワールド・モデルであるDiLAを紹介する。
  論文  参考訳（メタデータ） (2026-05-15T08:22:37Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• CRAFT: Forgetting-Aware Intervention-Based Adaptation for Continual Learning [7.180013165859104]
  CRAFTは、モデルの重み付けの更新を避ける継続的学習フレームワークである。 まず、各タスクを出力分布のばらつきに基づいて、類似したタスクのグループにルーティングする。 すると、KL(Kullback-Leibler)の偏差をグループの先行状態に対して微調整する。 最後に、更新されたタスクの介入を同じKL信号を使用して共有表現にマージする。
  論文  参考訳（メタデータ） (2026-05-07T06:24:13Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model [62.889356203346985]
  本稿では,モダリティ競合を処理する世界モデル拡張VLAフレームワークである Dual-STream diffusion (DUST) を提案する。 DUSTは標準のVLAベースラインと暗黙のワールドモデリングメソッドよりも最大6%向上する。 Franka Research 3による実世界のタスクでは、DUSTは成功率のベースラインを13%上回っている。
  論文  参考訳（メタデータ） (2025-10-31T16:32:12Z)
• Co-Evolving Latent Action World Models [57.48921576959243]
  学習済みのビデオモデルを潜在アクションを介して制御可能な世界モデルに適応させることは、ジェネラリストの世界モデルを作成するための有望なステップである。 本稿では,この相乗的パラダイムを初めて実現したCoLA-Worldを提案する。 世界モデルは知識のある家庭教師として機能し、高品質のLAMを形成するための勾配を提供する。
  論文  参考訳（メタデータ） (2025-10-30T12:28:40Z)

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。