論文の概要: Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning
- arxiv url: http://arxiv.org/abs/2609.33595v1
- Date: Sun, 27 Sep 2026 14:12:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 15:26:44.680972
- Title: Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning
- Title（参考訳）: 1ステップ以上の精度:信頼性の高いビジュアルプランニングのためのステートアフィン潜伏遷移
- Abstract要約: 複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。
状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。
動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
- 参考スコア（独自算出の注目度）: 53.476598858325985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint-embedding world models enable visual planning by learning action-conditioned dynamics in latent space. Yet they are commonly trained for one-step prediction on encoded states, while planning recursively applies the learned transition to its own predictions. One-step accuracy therefore does not capture how prediction errors propagate under recursive rollout. We decompose multi-step rollout error into the errors introduced at individual steps and their propagation through subsequent transitions. We show that state-affine dynamics are precisely the differentiable transitions with state-independent Jacobians, eliminating the nonlinear propagation residual and making the error propagation operators depend only on the action sequence. Guided by this result, we introduce SALT (State-Affine Latent Transition), an action-conditioned state-affine dynamics model in which the action modulates both the state transformation and the additive update. We train SALT through recursive multi-step rollout supervision, feeding each predicted latent state back into the transition so that training matches how the model is used during planning. Across four visual planning environments, SALT exhibits $1.48$--$2.19\times$ higher one-step prediction error than the matched LeWM baseline, yet improves closed-loop success in every environment by $10.0$ percentage points on average. On OGBench-Cube, the fraction of episodes that fail with a sharp rise in model-predicted cost after execution decreases from $23.3%$ to $2.0%$.
- Abstract（参考訳）: 共同埋め込み世界モデルは、潜在空間における行動条件付きダイナミクスを学習することで、視覚的な計画を可能にする。
しかし、それらは符号化された状態の1段階の予測のために訓練され、一方、学習した遷移を自身の予測に再帰的に適用する計画である。
したがって、1ステップの精度は再帰的なロールアウト時に予測誤差がどのように伝播するかを捉えない。
複数ステップのロールアウトエラーを、個々のステップで導入されたエラーと、その後の遷移による伝播に分解する。
状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であり、非線形伝播残差を排除し、エラー伝搬演算子をアクションシーケンスのみに依存することを示す。
この結果から,動作条件付き状態-アフィン動的モデルであるSALT(State-Affine Latent Transition)を導入する。
再帰的なマルチステップロールアウト監視を通じてSALTをトレーニングし、予測された各潜在状態を移行にフィードバックし、計画中にモデルがどのように使用されるかに合わせてトレーニングします。
4つの視覚的計画環境全体で、SALTは1.48$--2.19\times$1ステップ予測誤差が一致したLeWMベースラインよりも高いが、全ての環境におけるクローズドループの成功を平均10.0$ポイント改善している。
OGBench-Cubeでは、実行後のモデル予測コストの急上昇で失敗するエピソードの数は23.3%から2.0%に減少する。
関連論文リスト
- AffectFlow-DINO: Uncertainty-Aware Multi-Task Affect Estimation via Conditional Rectified Flow [13.11051449383848]
第11回ABAWチャレンジのためのマルチタスク学習システムである textbfAffectFlow-DINO を提案する。
標準的な決定論的アーキテクチャを条件付き整形フローヘッドで拡張し、ワイルドな顔の振る舞いの本質的なあいまいさをモデル化する。
論文 参考訳（メタデータ） (2026-07-14T20:31:21Z) - A Control Theory of Predictability in Latent World Models [39.22646915328561]
現在のプラクティスでは、トレーニングとモデル選択の目的として、ホールトアウトデータに対する単一または複数ステップのロールアウト損失である予測エラーを採用しています。
この仮定は構造上の理由から信頼できないことを示す。
プランナーはトレーニング分布についてモデルに問い合わせるのではなく、その候補となるアクションが到達し、一般にデータ多様体を残します。
論文 参考訳（メタデータ） (2026-07-11T15:42:26Z) - MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
MoP-JEPAは、有限個の候補セットを1つのパスで生成する。
ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
論文 参考訳（メタデータ） (2026-07-06T15:47:37Z) - Is Capability a Liability? More Capable Language Models Make Worse Forecasts When It Matters Most [11.4807141145402]
逆スケーリングでは、より有能なモデルでは、超線形成長を伴う問題を予測し、状態変化の尾リスクを予測し、分布予測が悪化する。
このパターンはForecastBench-Simで、線形制御にマッチした合成SIRの流行を予測し、COVID-19、麻疹、住宅市場、ハイパーインフレの実際のデータセットに複製する。
この逆スケーリングは、LLM予測ベンチマークに共通する単一閾値のメトリクスには現れず、同一出力における能力-正確性関係のサインを逆転させる。
論文 参考訳（メタデータ） (2026-05-21T16:14:33Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。
本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。
CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
論文 参考訳（メタデータ） (2026-03-29T12:38:11Z) - Self-Improving World Modelling with Latent Actions [53.93276450137471]
世界の内部モデリングは推論と計画に不可欠である。
状態のみのシーケンスから学習する自己改善フレームワークSWIRLを提案する。
論文 参考訳（メタデータ） (2026-02-05T19:04:41Z) - Closed-Loop Transformers: Autoregressive Modeling as Iterative Latent Equilibrium [0.6820746164515952]
閉ループ予測の原理を導入し、自己整合平衡に達するまで、モデルが反復的に潜在表現を洗練することを要求する。
この原理をEquilibrium Transformerとしてインスタンス化し,標準トランス層をEquilibrium Refinement Moduleで拡張する。
バイナリパリティタスクに関する予備実験では、チャレンジシーケンスの平均改善率は+3.28%で、標準トランスフォーマーがランダムなパフォーマンスに近づくと+8.07%に達する。
論文 参考訳（メタデータ） (2025-11-26T20:02:59Z) - GrAInS: Gradient-based Attribution for Inference-Time Steering of LLMs and VLMs [56.93583799109029]
GrAInSは推論時ステアリングのアプローチで、言語のみのモデルと視覚言語の両方のモデルとタスクで動作する。
推論中、GrAInSはトークンレベルの属性信号によって誘導されるトランスフォーマー層で隠されたアクティベーションを隠蔽し、アクティベーションを正規化し、表現スケールを保存する。
微調整と既存のステアリングベースラインの両方を一貫して上回る。
論文 参考訳（メタデータ） (2025-07-24T02:34:13Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z)
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。