論文の概要: Calibration-risk routing for controlled world-model adaptation

• arxiv url: http://arxiv.org/abs/2610.01001v1
• Date: Thu, 01 Oct 2026 03:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.882909
• Title: Calibration-risk routing for controlled world-model adaptation
• Title（参考訳）: 制御された世界モデル適応のための校正リスクルーティング
• Abstract要約: モデル補正世界モデル(MC-WM)を導入し、初期ターゲットデータを不整合、選択、キャリブレーション分割に分離する。 学習された信頼信号と決定論的妥当性は、物理報酬を書き換えることなく、一段階の政策更新を予想する。 配備前のアーティファクトゲートの後、1つの正確なレイアウトセルが繰り返され、541回の実行が完了した。
• 参考スコア（独自算出の注目度）: 19.34848029403215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model-based reinforcement learning (MBRL) can exploit simulated experience, but a simulator-to-target shift creates a model-selection problem: correcting the simulator and fitting the target directly can each fail under limited target data. We introduce the Model-Corrected World Model (MC-WM), which separates initial target data into disjoint fit, selection, and calibration partitions and deploys the family with lower standardized calibration risk. A learned confidence signal and deterministic validity predicates weight one-step imagined policy updates without rewriting physical rewards. We evaluate 540 unique reported run cells across three controlled Multi-Joint dynamics with Contact (MuJoCo) shifts; one exact-routing cell was repeated after a pre-deployment artifact gate, giving 541 completed executions.
• Abstract（参考訳）: モデルベース強化学習(MBRL)はシミュレーション経験を利用することができるが、シミュレータからターゲットへのシフトによってモデル選択の問題が発生する。 モデル補正世界モデル(MC-WM)を導入し、初期ターゲットデータを不整合、選択、キャリブレーション分割に分離し、標準化されたキャリブレーションリスクの低いファミリーをデプロイする。 学習された信頼信号と決定論的妥当性は、物理的報酬を書き換えることなく、一段階の政策更新を重み付けする。 我々は,3つの制御されたMulti-Joint Dynamics with Contact (MuJoCo) シフトを用いた540個のランニングセルを評価した。

関連論文リスト

• CALM: A Calibrated LLM Choice Network Framework for Activity-Based Traveler Simulation [0.0]
  CALMは、オプションの大規模言語モデル(LLM)アクティビティプランナと、キャリブレーションされた選択、共有ネットワークフィードバック、メモリと習慣、型付き実行可能性チェック、決定論的オフライン再生を統合している。 トリップモードや日記のみのジェネレータとは異なり、CALMはクローズドトラベラーデイループを実行し、各生成モジュールを経験的かつ再現可能なベースラインに対して評価する。
  論文  参考訳（メタデータ） (2026-09-06T03:29:02Z)
• MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials [0.0]
  MLIPilotは、ツールコールによる大規模言語モデルによる仮説の提案、MLIPトレーニングコードの編集、HPCジョブの起動、修正された物理的制約付きスコアカードによる変更の受け入れまたは反転を行う自動検索フレームワークである。 GPT-5.5, GPT-4.1, Mistral-24B, Qwen3-32B を含む商用およびオープンウェイト LLM エージェントを用いた MACE 電位最適化における MLIPilot の評価を行った。
  論文  参考訳（メタデータ） (2026-05-29T06:25:47Z)
• RK-MPC: Residual Koopman Model Predictive Control for Quadruped Locomotion in Offroad Environments [1.4610038284393168]
  Residual Koopman MPC (RK-MPC) はデータ駆動型モデル予測制御フレームワークである。 RK-MPCは、昇降座標のデータから学習したコンパクトな線形残留予測器を備えた名目テンプレートモデルを強化する。 RK-MPCは、非構造化環境における四重項のデータ駆動予測制御のための実用的なハードウェア検証経路を提供する。
  論文  参考訳（メタデータ） (2026-04-05T18:43:23Z)
• CLASH: Collision Learning via Augmented Sim-to-real Hybridization to Bridge the Reality Gap [9.148510140521706]
  本稿では,パラメータ条件付インパルス衝突サロゲートモデルを学習するデータ効率フレームワークであるAugmented Sim-to-real Hybridization (CLASH)による衝突学習を紹介する。 我々は,ハイブリッドシミュレータを用いて得られたポリシーが実世界へより堅牢に伝達できることを実証した。
  論文  参考訳（メタデータ） (2026-02-21T03:39:33Z)
• Training Language Models to Self-Correct via Reinforcement Learning [98.35197671595343]
  自己補正は、現代の大規模言語モデル(LLM)では、ほとんど効果がないことが判明した。 完全自己生成データを用いたLLMの自己補正能力を大幅に向上させるマルチターンオンライン強化学習手法であるSCoReを開発した。 SCoReは最先端の自己補正性能を実現し,MATHとHumanEvalでそれぞれ15.6%,9.1%向上した。
  論文  参考訳（メタデータ） (2024-09-19T17:16:21Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)

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。