論文の概要: Stochastic World Models for Verifying Vision-Based Neural Feedback Systems

• arxiv url: http://arxiv.org/abs/2609.38120v1
• Date: Tue, 29 Sep 2026 17:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.811194
• Title: Stochastic World Models for Verifying Vision-Based Neural Feedback Systems
• Title（参考訳）: 視覚に基づくニューラルフィードバックシステム検証のための確率的世界モデル
• Abstract要約: 我々は、標準検証器がバウンドする操作から構築された、物理的に接地されたラテントを持つ世界モデルを訓練する。 我々は、ファルシフィケーション、適応的洗練、象徴的、後方的分析を組み合わせた手順を開発する。 GANサロゲートによる緊急ブレーキベンチマークでは、我々の手順は、最先端の検証者が未解決のまま残した状態空間全体を解決する。
• 参考スコア（独自算出の注目度）: 22.06977556411476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Verifying a vision-based neural feedback system requires a model of the observations its controller acts upon. Such a model must capture the variation the sensor produces, while remaining tractable for closed-loop analysis. Generative adversarial networks (GANs) have served as perception surrogates, but they are large, reproduce complex scenes poorly, and are hard to verify. We explore stochastic world models as a richer class of perception surrogates. We train a world model with physically grounded latents, built from operations that standard verifiers bound. It reproduces held-out frames more faithfully than GAN surrogates with up to 130 times as many parameters. To verify these surrogates, we develop a procedure that combines falsification, adaptive refinement, symbolic, and backward analyses. On an emergency braking benchmark with a GAN surrogate, our procedure resolves the entire state space, 38% of which the state-of-the-art verifier left unresolved. On the RGB version of the benchmark, where no verification results have previously been reported, our procedure resolves over 80% of the state space with a world model surrogate.
• Abstract（参考訳）: 視覚に基づく神経フィードバックシステムの検証には、コントローラが作用する観察のモデルが必要である。 このようなモデルではセンサが生み出す変動を捉えなければならないが、クローズドループ解析には牽引可能である。 GAN(Generative Adversarial Network)は、知覚代理として機能するが、それらは大きく、複雑なシーンの再現が不十分であり、検証が困難である。 我々は、よりリッチな知覚代理として確率的世界モデルを探究する。 我々は、標準検証器がバウンドする操作から構築された、物理的に接地されたラテントを持つ世界モデルを訓練する。 最大130倍のパラメータを持つGANサロゲートよりも忠実に保持フレームを再現する。 これらのサロゲートを検証するために, ファルシフィケーション, 適応的洗練, シンボル, 後方分析を組み合わせた手法を開発した。 GANサロゲートを用いた緊急ブレーキベンチマークでは、我々の手順は状態空間全体を解決し、その38%は最先端の検証者が未解決のまま残している。 検証結果が報告されていないベンチマークのRGBバージョンでは、我々の手順は、世界モデルが代理する状態空間の80%以上を解決します。

関連論文リスト

• LIBERO-VPro: Benchmarking Closed-Loop Visual Robustness of Robotic Foundation Models [61.038310084204056]
  本稿では,ロボット基礎モデルの閉ループ視覚的堅牢性を評価するためのベンチマークであるLIBERO-VProを紹介する。 約196,000回にわたって3つの視覚言語行動モデルと3つの世界行動モデルを評価した。 以上の結果から,強い名目性能は視覚的接地や適応において重大な弱点を隠蔽する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-09-21T09:43:41Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• Consistent Yet Wrong: Evidence Insensitivity in Spatial Vision-Language Models [29.66841995436342]
  現代の視覚言語モデル(VLM)は、計量距離クエリでは信頼できないままである。 我々は,Hypersim,ScanNet,KITTI360から構築したマルチビュー評価プロトコルであるtextbfViewDiagを紹介する。 安定な予測は、証拠に敏感な推論よりも先駆的な崩壊を反映している可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-01T18:06:08Z)
• ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation [66.02142169323521]
  Vision-Language-ActionモデルとWorld Modelは最近、汎用ロボットインテリジェンスのための有望なパラダイムとして登場した。 既存のベンチマークは、主にシミュレータ中心であり、制御性を提供するが、知覚ノイズによって引き起こされる現実のギャップを捉えることができない。 シミュレーションと実世界の実行を橋渡しする標準化された評価フレームワークであるManipArenaを紹介する。
  論文  参考訳（メタデータ） (2026-03-30T15:06:41Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• Deterministic World Models for Verification of Closed-loop Vision-based Systems [2.5051366017487715]
  本稿では,システム状態を直接生成画像にマッピングし,正確な入力境界を確保するための決定論的世界モデル(DWM)を提案する。 我々はDWMをStar-based reachability analysis(StarV)を利用した検証パイプラインに統合し、厳密な統計的境界を導出するために共形予測を用いる。 標準ベンチマーク実験により,提案手法は潜在変数ベースラインよりもはるかに密着性が高く,検証性能も良好であることが示された。
  論文  参考訳（メタデータ） (2025-12-08T02:32:07Z)
• Probing the effectiveness of World Models for Spatial Reasoning through Test-time Scaling [24.669665644647555]
  視覚言語モデル(VLM)は、多視点理解と具体的視点シフトを必要とする空間的推論タスクにおいて制限されている。 MindJourneyのような最近のアプローチは、テストタイムのスケーリングを通じてこのギャップを緩和しようと試みている。 このようなテストタイム検証がベンチマーク全体にわたってどのように振る舞うのかを調べ、彼らの約束と落とし穴の両方を明らかにする。
  論文  参考訳（メタデータ） (2025-12-05T15:30:08Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。