論文の概要: Behavioral Monitoring of JEPA World Models with Jacobian Centroids
- arxiv url: http://arxiv.org/abs/2609.33940v1
- Date: Sun, 27 Sep 2026 21:30:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 08:26:33.260944
- Title: Behavioral Monitoring of JEPA World Models with Jacobian Centroids
- Title（参考訳）: ジャコビアンセントロイドを用いたJEPA世界モデルの挙動モニタリング
- Abstract要約: World Model (WM)ベースの計画では、モデルが現在のタスクと行動的に一致しているかどうかを監視する必要がある。
We show that centroids--sub-component Jacobian row-sums---- effectively identified the behavioral properties of WMs。
- 参考スコア（独自算出の注目度）: 17.84134202220624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting failures in World Model (WM)-based planning requires monitoring whether the model is behaviorally aligned with the current task, which in turn requires studying its internal representations. Here, we show that centroids---sub-component Jacobian row-sums---effectively identify the behavioral properties of WMs, complementing traditional activation-based knowledge signals. The centroids of a model are easily computed through Jacobian vector products and characterize how the model organizes the geometry of its input space, yielding an efficient perspective on internal representations, including the generation of task-relevant saliency maps. Evaluated on continuous control tasks using JEPA WMs, this behavioral view reveals a structural dissociation, where the encoder correctly represents the goal while the predictor remains behaviorally unresponsive. This failure mode directly predicts planning failure before any action is taken, allowing for goal resampling to recapture out-of-distribution success. Moreover, centroid-based methods outperform baseline methods as distribution-shift detectors. Together, these tools yield a behavioral monitoring stack that is operational and consequential under distribution shifts.
- Abstract（参考訳）: World Model(WM)ベースの計画で障害を検出するには、モデルが現在のタスクに動作的に整合しているかどうかを監視する必要がある。
本稿では,従来のアクティベーションに基づく知識信号を補完し,WMの挙動特性を効果的に同定する。
モデルのセントロイドはヤコビアンベクトル積によって容易に計算され、モデルがその入力空間の幾何学をどのように整理するかを特徴づけ、タスク関連サリエンシ写像の生成を含む内部表現の効率的な視点をもたらす。
JEPA WMsを用いて連続的な制御タスクを評価すると、この振る舞いビューは構造的な解離を明らかにし、そこではエンコーダがゴールを正しく表現し、予測器は振舞いに反応しない。
この障害モードは、何らかのアクションが行われる前に計画上の失敗を直接予測し、ゴールの再サンプリングがアウト・オブ・ディストリビューションの成功を取り戻せるようにする。
さらに、セントロイド法は分布シフト検出器としてベースライン法より優れている。
これらのツールによって、分散シフトの下で運用され、連続的に行われる行動監視スタックが生成される。
関連論文リスト
- IMPACT: Attention Is the Interaction Map for Scalable Interaction-Aware World Model Training [18.292611164084537]
IMPACTは,事前誘導と目標設定を併用したスケーラブルなインタラクション対応フレームワークである。
IMPACTは、対応するMSE訓練ベースラインを一貫して上回り、相互作用の忠実度、物理的妥当性、視覚的品質を改善している。
論文 参考訳（メタデータ） (2026-08-31T18:00:36Z) - From Detection to Action: Using LLM Agents for Fault-Tolerant Control [0.21313236831585222]
我々は,耐故障性制御のためのエージェント型大規模言語モデル(LLM)フレームワークを提案する。
故障検出出力を、植物固有の知識に基づく制約対応回復行動に変換する。
我々は,各プロセスのダイナミックスと互換性のある遅延予算内で,意味的基盤を持つエージェントが有効なリカバリ決定を導出できることを示す。
論文 参考訳（メタデータ） (2026-06-26T12:13:58Z) - Diagnosing Generalization Failures from Representational Geometry Markers [8.403001493770427]
医用バイオマーカーにインスパイアされた一般化失敗について検討する。
我々は,ネットワークマーカーを設計,テストし,構造や機能リンクの探索,予後指標の同定,実環境における予測の検証を行う。
この研究は、表現幾何学が隠れた脆弱性を隠蔽し、モデル選択とAI解釈可能性に関するより堅牢なガイダンスを提供することを示した。
論文 参考訳（メタデータ） (2026-03-02T13:59:19Z) - Guided Verifier: Collaborative Multimodal Reasoning via Dynamic Process Supervision [11.159231524113764]
マルチモーダル大規模言語モデル(MLLM)の複雑な推論能力を高めるための重要なメカニズムとして強化学習(RL)が登場した。
本稿では,これらの構造的制約に対処する textbfGuided Verifier フレームワークを提案する。
我々は,マルチモーダル幻覚をターゲットとした特殊なデータ合成パイプラインを開発し,プロセスレベルの負の textbfCoRe データセットとtextbfCorrect-guide textbfReasoning トラジェクトリを構築し,ガイド付き検証器を訓練する。
論文 参考訳（メタデータ） (2026-02-04T07:38:42Z) - Model Specific Task Similarity for Vision Language Model Selection via Layer Conductance [92.72779885657373]
本稿では,視覚エンコーダの内部関数力学におけるモデル選択の基盤となるフレームワークを提案する。
提案手法は,各タスクをレイヤワイドコンダクタンスにより表現し,エントロピー正規化アライメントによる目標条件付きブロック重要度分布を導出する。
そこで本研究では,DCD(Directional Conductance Divergence)という,ソースタスクが対象の機能ブロックをいかに効果的にカバーするかを定量化する非対称な指標を提案する。
論文 参考訳（メタデータ） (2026-02-01T17:29:43Z) - Incremental Validation of Automated Driving Functions using Generic Volumes in Micro- Operational Design Domains [0.0]
本稿では,操作設計領域(ODD)を管理可能なセクションに分割し,抽象オブジェクト表現を用いてテストケースを抽出する構造的手法を提案する。
障害物は様々な大きさの一般的な立方体として表現され、知覚性能を評価するためのシンプルで堅牢な手段を提供する。
その結果、障害物検出におけるエッジケースを体系的に探索し、認識品質を評価する方法が示された。
論文 参考訳（メタデータ） (2025-12-12T07:59:58Z) - PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。
本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
論文 参考訳（メタデータ） (2025-12-03T12:14:29Z) - Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。
提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-12-19T15:34:52Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳（メタデータ） (2023-07-07T04:03:48Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳（メタデータ） (2021-01-07T07:33:38Z)
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。