論文の概要: Discrete Forcing: Infusing Discrete Guidance into Continuous Denoising for Few-Step Action Experts

• arxiv url: http://arxiv.org/abs/2609.39526v1
• Date: Wed, 30 Sep 2026 11:22:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.605178
• Title: Discrete Forcing: Infusing Discrete Guidance into Continuous Denoising for Few-Step Action Experts
• Title（参考訳）: 離散的強制:小さなステップのアクションエキスパートのための離散的指導を継続的認知に注入する
• Abstract要約: 本稿では,明示的な粗大な生成プロセスを通じて表現を結合するフローマッチングフレームワークを提案する。 パラメータマッチングされた連続アクションエキスパートに対して,性能の向上と推論の高速化を示す。 実世界の実験は、さらに高精度でダイナミックな操作タスクの改善を実証している。
• 参考スコア（独自算出の注目度）: 46.05591365153208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient action generation in vision-language-action (VLA) models requires capturing both coarse action structure and fine-grained details. Discrete action tokens provide compact structural representations but sacrifice precision, while continuous action tokens offer high precision but often require multiple denoising steps. We introduce Discrete Forcing, a flow-matching framework that combines these representations through an explicit coarse-to-fine generation process. It first predicts discrete action tokens to establish a coarse action structure, then uses them to guide continuous action refinement. The discrete and continuous components share a common diffusion transformer backbone with specialized branches, maintaining a parameter count comparable to a conventional single-branch model while requiring only one forward pass per branch. Extensive evaluations across multiple benchmarks demonstrate improved performance and faster inference over a parameter-matched continuous action expert, with consistent performance gains as model capacity increases. Real-world experiments further demonstrate improvements on high-precision and dynamic manipulation tasks.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルにおける効率的なアクション生成には、粗いアクション構造と細かな詳細の両方をキャプチャする必要がある。 離散アクショントークンは、コンパクトな構造表現を提供するが、精度を犠牲にする一方、連続アクショントークンは高い精度を提供するが、しばしば複数の復調ステップを必要とする。 本稿では,これらの表現を組み合わせたフローマッチングフレームワークであるDisdisrete Forcingを紹介する。 まず、個別のアクショントークンを予測し、粗いアクション構造を確立する。 離散的かつ連続的なコンポーネントは、分岐ごとに1つのフォワードパスしか必要とせず、従来の単一ブランチモデルに匹敵するパラメータ数を保ちながら、特定の分岐と共通の拡散トランスフォーマーバックボーンを共有する。 複数のベンチマークにわたる大規模な評価では、パラメータマッチングされた継続的アクションエキスパートよりもパフォーマンスが向上し、モデルキャパシティが向上するにつれて、一貫したパフォーマンスが向上する。 実世界の実験は、さらに高精度でダイナミックな操作タスクの改善を実証している。

関連論文リスト

• Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching [63.00892079900331]
  CATokは因果的行動トークンーザであり、因果的構造化された生成過程としてトークン化を再構成する。 我々は,CATok が再現性圧縮トレードオフと推論効率の両方において,既存のトークン化手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-28T15:52:55Z)
• Discretizing Continuous Time Series for Imputation with Masked Diffusion Training [3.978640858147917]
  時系列計算は信頼性のある時系列解析にとって重要な領域であるが、実世界のデータの複雑な時間的ダイナミクスとノイズのため、依然として困難である。 しかし、既存のアプローチには2つの制限がある: 欠落と観測された値は明示的な構造的分離なしに同じ表現空間に埋め込まれる。 本研究では,マスク拡散モデルのトレーニングパラダイムを応用したMasked Diffusion Time-Series Imputation Model (MDTIM)を提案する。 実験の結果, MDTIMは優れた堅牢性とスケーラビリティを達成でき, 様々なシナリオにおいて, 最先端の意思決定的, 生成的ベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-08-19T17:16:27Z)
• OmniSAT: Compact Action Token, Faster Auto Regression [70.70037017501357]
  我々は、コンパクトで転送可能なアクション表現を学ぶOmni Swift Action Tokenizerを紹介する。 その結果、離散トークン化はトレーニングシーケンスを6.8$times$に短縮し、ターゲットエントロピーを低下させる。
  論文  参考訳（メタデータ） (2025-10-08T03:55:24Z)
• BBQRec: Behavior-Bind Quantization for Multi-Modal Sequential Recommendation [15.818669767036592]
  本稿では,2列列の量子化とセマンティックス・アウェア・シーケンス・モデリングを備えたBBQRec(Behavior-Bind Multi-modal Quantization for Sequential Recommendation)を提案する。 BBQRecは、コントラストのあるコードブック学習を通じて、ノイズの多いモダリティ特有の特徴からモダリティに依存しない行動パターンを分離する。 我々は、量子化された意味関係を用いて自己注意スコアを動的に調整する離散化類似度再重み付け機構を設計する。
  論文  参考訳（メタデータ） (2025-04-09T07:19:48Z)
• "Principal Components" Enable A New Language of Images [79.45806370905775]
  証明可能なPCAのような構造を潜在トークン空間に組み込む新しい視覚トークン化フレームワークを導入する。 提案手法は、最先端の再構築性能を実現し、人間の視覚システムとの整合性を向上する。
  論文  参考訳（メタデータ） (2025-03-11T17:59:41Z)
• Diffusion Action Segmentation [63.061058214427085]
  本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。 このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
  論文  参考訳（メタデータ） (2023-03-31T10:53:24Z)
• Sequential Bayesian Neural Subnetwork Ensembles [4.6354120722975125]
  本稿では、トレーニング過程を通じてモデルの複雑さを一貫して維持する動的ベイズニューラルワークのシーケンシャルアンサンブルに対するアプローチを提案する。 提案手法は,予測精度,不確実性推定,アウト・オブ・ディストリビューション検出,および対向ロバスト性の観点から,従来の密度決定モデルとスパース決定モデル,ベイズアンサンブルモデルより優れる。
  論文  参考訳（メタデータ） (2022-06-01T22:57:52Z)

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。