論文の概要: Median Temporal Ensembling: Training-Free Robust Aggregation for Action-Chunked Visuomotor Policies

• arxiv url: http://arxiv.org/abs/2609.27167v1
• Date: Tue, 22 Sep 2026 23:57:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.805505
• Title: Median Temporal Ensembling: Training-Free Robust Aggregation for Action-Chunked Visuomotor Policies
• Title（参考訳）: 応急処置薬のトレーニング不要なロバスト凝集
• Abstract要約: 指数重み付き平均と予測を組み合わせることで、時間的アンサンブルの実行を円滑にする。 計量保証は、与えられた大きさの摂動に応答する。 敵の微調整は、公開されたパッチ攻撃による損失の44%を回復するが、攻撃者のステップサイズが大きくなるとわずか7.3%に留まる。
• 参考スコア（独自算出の注目度）: 8.403971471573607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action-chunked visuomotor policies predict overlapping trajectories, so every executed action is covered by several predictions. Temporal ensembling smooths execution by combining these predictions with an exponentially weighted mean. One corrupted prediction can move the aggregate without bound: its breakdown point is 0. We use adversarial corruption to stress this deployed aggregator and to compare two kinds of guarantee. A metric guarantee bounds the response to a perturbation of a given size. A combinatorial guarantee instead bounds the damage when at most q of the M candidates covering a timestep are corrupted, whatever their size. Encoder adversarial fine-tuning recovers 44% of the loss under the published patch attack, but only 7.3% after the attacker's step size is increased. By contrast, the coordinate-wise median of the same candidate set keeps its recovered fraction flat as attack optimisation increases. Median temporal ensembling costs one line and requires no retraining. Across 25 (configuration, corruption-level) combinations it is never worse than the mean and is significantly better in 15. It also transfers to a second policy class, and it recovers performance under a failure with no attacker in the loop at all: camera frames that arrive blank. Its effect on clean data is configuration-dependent, from -0.04 to +0.07. We also give the boundary: corruption that shifts every covering prediction by the same amount is invisible to this whole family of statistics, and no equivariant aggregator can remove it.
• Abstract（参考訳）: アクションチャンクされたビズモレータポリシーは重なり合う軌道を予測するため、実行されたすべてのアクションはいくつかの予測によってカバーされる。 これらの予測を指数重み付き平均と組み合わせることで、時間的アンサンブルの実行を円滑にする。 1つの破損した予測は、その集合を境界なく移動させることができる:その分解点が 0 である。 我々は、このデプロイされたアグリゲータを強調し、2種類の保証を比較するために、敵の汚職を使用します。 計量保証は、与えられた大きさの摂動に応答する。 組合せ保証は、時間ステップをカバーするM候補の少なくともqが、そのサイズに関わらず、破損した場合のダメージを拘束する。 エンコーダの敵の微調整は、公開されたパッチ攻撃による損失の44%を回復するが、攻撃者のステップサイズが大きくなるとわずか7.3%に留まる。 対照的に、同じ候補集合の座標方向の中央値は、攻撃の最適化が増加するにつれて、その回復した分数率を平坦に保ちます。 中間的な時間的アンサンブルは1行の費用がかかり、再訓練は不要である。 25(構成、汚職レベル)の組合せは平均よりも決して悪くない。 また、第2のポリシークラスに移行し、ループに攻撃者がいない状態でパフォーマンスを回復する。 クリーンデータに対するその影響は、-0.04から+0.07まで構成に依存している。 同じ量で全ての被覆予測をシフトする汚職は、この統計群全体には見えず、同変アグリゲータがそれを除去できない。

関連論文リスト

• When Can You Trust Offline Evaluation of Equal-Cost Top-k Allocation? A Controlled, Reproducible Benchmark and Practitioner's Guide [0.0]
  5つのデータセットと2つの既知のエフェクトスイープにまたがる6つの推定器をベンチマークし、非シミュレートされたペア参照に対してそのメカニズムを検証する。 ターゲット自身のスコアからロガーをシャープすると、テスト対象範囲をわずかにオーバーラップし、アクションレベルの不一致が崩壊する。 結果のニュアンスのみを適合させることは、再利用バイアスをその場に残し、それを悪化させます。
  論文  参考訳（メタデータ） (2026-08-12T18:10:10Z)
• Ghost: Plausible Yet Unlearnable Trajectories via On-Manifold Substitution for Next-POI Privacy [34.07056031726073]
  チェックイントラジェクトリをリリースするパブリッシャは、ユーザの将来位置の強い予測器を不注意に公開する。 このリスクに対処するために、クリーンなテスト入力に対して次点次点(next-POI)の精度を低下させた被害者モデルを生成する、学習不能なトラジェクトリ、摂動シーケンスを生成する。 我々はGhostを提案する。Ghostは、摂動が人間のチェックインシーケンスのように見えるが、学習可能な信号は残っていない。
  論文  参考訳（メタデータ） (2026-06-02T14:31:14Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Verifiably Robust Conformal Prediction [1.391198481393699]
  本稿では、ニューラルネットワーク検証手法を利用して、敵攻撃時のカバレッジ保証を回復する新しいフレームワークであるVRCP(Verifiably Robust Conformal Prediction)を紹介する。 私たちのメソッドは、回帰タスクだけでなく、$ell1$, $ell2$, $ellinfty$といった任意のノルムで束縛された摂動をサポートする最初の方法です。 いずれの場合も、VRCPは名目上の範囲を達成し、SotAよりもはるかに効率的で情報的な予測領域が得られる。
  論文  参考訳（メタデータ） (2024-05-29T09:50:43Z)
• Robust Lipschitz Bandits to Adversarial Corruptions [61.85150061213987]
  リプシッツ・バンディット(英: Lipschitz bandit)は、計量空間上で定義された連続アーム集合を扱うバンディットの変種である。 本稿では,敵対的腐敗の存在下でのリプシッツ・バンディットの新たな問題を紹介する。 我々の研究は、両タイプの敵の下でサブ線形後悔を達成できるロバストなリプシッツ・バンディットアルゴリズムの最初のラインを提示する。
  論文  参考訳（メタデータ） (2023-05-29T18:16:59Z)
• Linear Contextual Bandits with Adversarial Corruptions [91.38793800392108]
  本稿では,敵対的腐敗の存在下での線形文脈的包帯問題について検討する。 逆汚染レベルに適応する分散認識アルゴリズムをC$で提案する。
  論文  参考訳（メタデータ） (2021-10-25T02:53:24Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)

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。