論文の概要: DeepJEPA: Scaling World Models from Within

• arxiv url: http://arxiv.org/abs/2610.00368v1
• Date: Wed, 30 Sep 2026 06:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.622989
• Title: DeepJEPA: Scaling World Models from Within
• Title（参考訳）: DeepJEPA: 世界モデルを内部からスケールアップする
• Abstract要約: 世界モデルのプランナーは、通常、より遠くを転がり、より多くの軌道をサンプリングしたり、より長く最適化することで外向きにスケールする。 各遷移を一様に深みのある計算にすることで、有用な改善が決定クリティカルなイベントの小さなセットに集中しているため、計画計画の分解が可能であることを示す。 我々は、遷移深度を内部テスト時間スケーリング軸として扱う予測的世界モデルであるDeepJEPAを紹介する。
• 参考スコア（独自算出の注目度）: 37.7124626976155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World-model planners typically scale outward by rolling farther, sampling more trajectories, or optimizing longer, while assigning the same computation to every imagined transition. We show that making every transition uniformly deeper wastes computation and can degrade planning because useful refinement is concentrated at a small set of decision-critical events. We introduce DeepJEPA, a weight-tied joint-embedding predictive world model that treats transition depth as an inner test-time scaling axis and learns when another recurrent update is worth computing for each candidate and rollout step. Across five visual-control settings, DeepJEPA improves or matches the strongest fixed-depth planner while averaging only 1.00-1.26 updates per transition. Its additional computation concentrates at contact onset and sustained object interaction, where latent corrections can change which candidates enter the planner's elite set and which action is selected. Representation probes further show that improved planning does not require uniformly better object-state decodability. DeepJEPA therefore reframes world-model scaling as a problem of allocating internal computation where it can change the planner's decision: think deeper at decision-critical transitions instead of making every rollout uniformly deeper or longer.
• Abstract（参考訳）: ワールドモデルプランナーは、通常、より遠くを転がり、より多くの軌道をサンプリングしたり、より長く最適化したりすることで外向きにスケールし、同じ計算を想像された遷移に割り当てる。 各遷移を一様に深みのある計算にすることで、有用な改善が決定クリティカルなイベントの小さなセットに集中しているため、計画計画の分解が可能であることを示す。 本稿では,遷移深度を内部テスト時間スケーリング軸として扱う重み付き共同埋め込み予測世界モデルDeepJEPAを紹介する。 5つの視覚制御設定で、DeepJEPAは最強の固定深度プランナーを改善または一致させ、平均して遷移毎に1.00-1.26アップデートしか更新しない。 追加の計算は、接触開始と持続オブジェクトの相互作用に集中し、どの候補がプランナーのエリートセットに入り、どのアクションが選択されるかを変更することができる。 Representation probesは、改善された計画が一様に改善されたオブジェクト・ステート・デオーダビリティを必要としないことを示している。 したがってDeepJEPAは、すべてのロールアウトを均一に深くあるいはそれ以上にするのではなく、決定クリティカルなトランジションを深く考えることで、プランナーの決定を変えることができる内部計算を割り当てる問題として、ワールドモデルスケーリングを再設計する。

関連論文リスト

• LeFlow: Generative Latent Flow Planning for World Models [25.440423602180278]
  本稿では,世界モデルから潜在力学空間を直接操作する前に,再利用可能な潜在軌道を学習するLeFlowについて述べる。 4つの主要なゴール条件付きピクセル制御ベンチマークの中で、LeFlowは反復的なアクション空間最適化を償却された潜在計画に置き換えている。 我々の研究結果は、潜在世界モデルは予測だけでなく、再利用可能な計画事前をサポートするべきだと主張している。
  論文  参考訳（メタデータ） (2026-08-25T17:42:30Z)
• ACID: Action Consistency via Inverse Dynamics for Planning with World Models [42.33354357727536]
  ACIDは、サイクルアクションの一貫性を導入する意思決定時計画フレームワークである。 プランニングを一貫して改善し、ベースラインの精度とほぼ少ないプランニング計算とを一致させる。
  論文  参考訳（メタデータ） (2026-07-02T16:38:10Z)
• Parallel Stochastic Gradient-Based Planning for World Models [39.699893143984916]
  本稿では,学習した世界モデルの識別性を有効に活用する,堅牢で並列性の高いプランナを提案する。 本手法は,ソフトダイナミックス制約による最適化変数(仮想状態)として状態を扱い,並列かつ容易な最適化を実現する。 我々のプランナーはGRASP(GradAxed Planner)と呼ばれ、非凝縮またはコロケーションベースの最適コントローラの有効なバージョンと見なすことができる。
  論文  参考訳（メタデータ） (2026-01-31T02:57:47Z)
• UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
  UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。 本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。 我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2025-09-14T14:45:43Z)
• WWAggr: A Window Wasserstein-based Aggregation for Ensemble Change Point Detection [43.30982629315816]
  Change Point Detection (CPD) は、データストリームの急激な分散シフトの瞬間を特定することを目的としている。 現在の最先端検出器はまだ完璧な品質を達成できていない。 WWAggr - Wasserstein 距離に基づく新しいタスク固有のアンサンブルアグリゲーション法を紹介する。
  論文  参考訳（メタデータ） (2025-06-09T13:52:10Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Differentiable Spatial Planning using Transformers [87.90709874369192]
  本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。 エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。 SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T06:48:16Z)

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。