論文の概要: Imperfection for Precision: Upcycling Imperfect Data for High-Precision Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2609.26672v1
- Date: Tue, 22 Sep 2026 16:32:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.745143
- Title: Imperfection for Precision: Upcycling Imperfect Data for High-Precision Robotic Manipulation
- Title（参考訳）: 精度不備:高精度ロボットマニピュレーションのための不完全データをリサイクルする
- Abstract要約: 高精度操作のための訓練用視覚言語アクション(VLA)モデルは通常、タスク固有の高品質なデータを必要とする。
我々は,2つの破棄されたデータソースを「リサイクル」するシンプルで効果的な方法である$varepsilon$4P(Imperfection for Precision)を提案する。
- 参考スコア（独自算出の注目度）: 12.76494887014416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Training vision-language-action (VLA) models for high-precision manipulation typically requires task-specific, high-quality data (e.g., teleoperation), which is slow and expensive to collect. To reduce this burden without compromising manipulation precision, we propose $\varepsilon$4P (Imperfection for Precision), a simple yet effective method that "upcycles" two otherwise discarded data sources: (1) low-precision data from the target task and (2) high-precision data from mismatched tasks. Rather than naively mixing these imperfect data sources throughout co-training, $\varepsilon$4P controls where each source contributes along the flow-matching trajectory. Specifically, low-precision, target-task data is used at high noise to preserve high-level task context and high-precision, task-mismatched data is used at low noise to transfer low-level action precision. Through real-robot experiments on both sub-millimeter, high-precision tasks and coarse-grained tasks, we demonstrate that the proposed method (1) effectively leverages additional imperfect data to improve policy performance by up to 31.7 percentage points, and (2) can replace an equal amount of task-specific, high-quality data with an average performance drop of only 4.2 percentage points. Overall, $\varepsilon$4P points toward a scalable paradigm for high-precision manipulation, in which heterogeneous, imperfect data can be systematically repurposed to reduce reliance on costly task-specific, high-quality data. More details are available at https://varepsilon4p.github.io/.
- Abstract（参考訳）: 高精度操作のための訓練用視覚言語アクション(VLA)モデルは、一般的にタスク固有の高品質なデータ(例えば遠隔操作)を必要とする。
操作精度を損なうことなくこの負担を軽減するために,(1)目標タスクからの低精度データと(2)ミスマッチしたタスクからの高精度データとを「リサイクル」する,シンプルかつ効果的な方法である$\varepsilon$4P(Imperfection for Precision)を提案する。
コトレーニングを通じてこれらの不完全なデータソースを鼻で混ぜる代わりに、$\varepsilon$4Pコントロールでは、各ソースがフローマッチング軌道に沿って寄与する。
具体的には, タスクコンテキストを高精度に保存するために, 低ノイズ時にタスクミスマッチしたデータを低ノイズ時に使用し, 低ノイズ時にタスクミスマッチしたデータを低レベルのアクション精度で転送する。
提案手法は,サブミリ,高精度タスク,粗粒度タスクの2つの実ロボット実験を通じて,(1)追加の不完全データを有効活用して,最大31.7ポイントの政策性能向上を実現し,(2)タスク固有の高品質データを平均4.2ポイントで置き換えることができることを示した。
全体として、$\varepsilon$4Pは、不均一で不完全なデータを体系的に再利用し、コストのかかるタスク固有の高品質なデータへの依存を減らすという、高精度な操作のためのスケーラブルなパラダイムに向かっている。
詳細はhttps://varepsilon4p.github.io/で確認できる。
関連論文リスト
- Dataset Distillation Efficiently Encodes Low-Dimensional Representations from Gradient-Based Learning of Non-Linear Tasks [8.972144370022841]
我々は,2層ニューラルネットワークの勾配に基づくトレーニングに応用したデータセット蒸留の実用的アルゴリズムをL$で解析した。
マルチインデックスモデルと呼ばれる非線形のタスク構造に着目して、問題の低次元構造が結果の蒸留データに効率的にエンコードされることを証明した。
このデータセットは、$tilde$$(r2d+L)$、$d$と$r$がタスクの入力および固有の次元であるために必要なメモリ複雑さのモデルを生成する。
論文 参考訳（メタデータ） (2026-03-16T05:14:34Z) - Dataset Distillation as Pushforward Optimal Quantization [2.5892916589735457]
そこで本研究では,実データ上での学習に類似した性能を,桁違いに少ない計算量で実現した合成トレーニングセットを提案する。
特に、既存の非絡み合ったデータセット蒸留法を古典的最適量子化とワッサーシュタインのバリセンタ問題にリンクする。
我々は,ImageNet-1Kデータセットの性能向上とモデル間一般化を,より簡単な追加計算で実現し,より高階のイメージ・パー・クラス・セッティングにおけるSOTA性能を向上する。
論文 参考訳（メタデータ） (2025-01-13T20:41:52Z) - ZIP-FIT: Embedding-Free Data Selection via Compression-Based Alignment [13.303577263109858]
ZIP-FITは、gzip圧縮を使用して、潜在的なトレーニングデータとターゲットタスク分布のアライメントを測定するデータ選択フレームワークである。
ZIP-FIT選択データに基づいてトレーニングされたモデルは、ベースラインよりも85.1%高速なクロスエントロピー損失を達成する。
ZIP-FITは、小さく、よく整合したデータセットが、より大きながターゲットの少ないデータセットよりも優れていることを示している。
論文 参考訳（メタデータ） (2024-10-23T18:01:06Z) - Efficient Grammatical Error Correction Via Multi-Task Training and
Optimized Training Schedule [55.08778142798106]
原文と修正文のアライメントを利用する補助タスクを提案する。
我々は,各タスクをシーケンス・ツー・シーケンス問題として定式化し,マルチタスク・トレーニングを行う。
トレーニングに使用されるデータセットの順序や、データセット内の個々のインスタンスでさえ、最終的なパフォーマンスに重要な影響を与える可能性があることが分かりました。
論文 参考訳（メタデータ） (2023-11-20T14:50:12Z) - Gradient-Free Structured Pruning with Unlabeled Data [57.999191898036706]
ラベルのないデータのみを使用する勾配のない構造化プルーニングフレームワークを提案する。
元々のFLOPカウントの最大40%は、考慮されたすべてのタスクで4%未満の精度で削減できる。
論文 参考訳（メタデータ） (2023-03-07T19:12:31Z) - GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。
本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。
我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
論文 参考訳（メタデータ） (2023-02-06T16:23:24Z) - Inconsistency Ranking-based Noisy Label Detection for High-quality Data [11.844624139434867]
本稿では,高品質データに対する非整合性ランキング付き自動ノイズラベル検出(NLD)手法を提案する。
クラス間の不整合度ランキングとクラス内不整合度ランキングを比較し,異なる雑音条件下でのメトリクス学習損失関数を比較した。
実験結果から,提案手法は大規模話者認識データセットの効率的なクリーニングと効率的なクリーニングを両立させる可能性が示唆された。
論文 参考訳（メタデータ） (2022-12-01T03:09:33Z) - KnowDA: All-in-One Knowledge Mixture Model for Data Augmentation in
Few-Shot NLP [68.43279384561352]
既存のデータ拡張アルゴリズムはタスク非依存のルールや微調整の汎用事前訓練言語モデルを利用する。
これらの手法は、簡単なタスク固有の知識を持ち、単純なタスクにおいて弱いベースラインのための低品質な合成データを得るに限られる。
我々は,様々なNLPタスクを予め学習したエンコーダ/デコーダLMの知識混合データ拡張モデル(KnowDA)を提案する。
論文 参考訳（メタデータ） (2022-06-21T11:34:02Z) - High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。
各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。
合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
論文 参考訳（メタデータ） (2020-12-17T23:21:53Z)
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。