論文の概要: Learning Commute-Time-Preserving World Models for Planning

• arxiv url: http://arxiv.org/abs/2610.01373v1
• Date: Thu, 01 Oct 2026 09:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.035799
• Title: Learning Commute-Time-Preserving World Models for Planning
• Title（参考訳）: 計画のための通勤時間保存世界モデル学習
• Abstract要約: 通勤時間保存世界モデル(CTWM)を紹介する。 CTWMは遅延変位予測器と崩壊を防ぐ対数決定正則化器を結合する。 数値シミュレーションでは、CTWMはタスク非依存のベースラインであるLeWMにマッチする。
• 参考スコア（独自算出の注目度）: 6.7022518034438585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models allow agents to plan in latent space by choosing a sequence of actions that most reduces the distance to a given goal state. Thus, planning can benefit from latent representations whose distances mirror commute-times in the environment. The spectral embedding space of the graph Laplacian provides such a representation, if it obeys a specific eigenvalue-dependent scaling. Unfortunately, instantiating the graph Laplacian is intractable in large, continuous environments. Self-supervised learning offers a natural route to such commute-time-preserving embeddings at scale. However, here we show that existing methods, which commonly encourage isotropic representations to prevent representational collapse, tend to degrade the "correct" eigenvalue-dependent scaling, leading to an inaccurate representation of commute times. To address this problem, we introduce Commute-Time-Preserving World Models (CTWMs), combining a latent displacement predictor and a log-determinant regularizer that prevents collapse, which provably recover the correctly scaled Laplacian representation under reversible deterministic dynamics and at the predictor's fixed point. In numerical simulations, CTWM matches or outperforms LeWM, a task-agnostic baseline, on several complex, continuous goal-reaching benchmarks, while using half the parameters.
• Abstract（参考訳）: 世界モデルでは、エージェントは与えられた目標状態までの距離を最も小さくする一連のアクションを選択することで、潜在空間で計画することができる。 したがって,距離が通勤時間を反映する潜在表現の恩恵を受けることができる。 グラフラプラシアンのスペクトル埋め込み空間は、それが特定の固有値依存スケーリングに従うならば、そのような表現を与える。 残念なことに、グラフラプラシアンのインスタンス化は、大規模で連続的な環境では魅力的である。 自己教師付き学習は、そのような通勤時保存の埋め込みを大規模に行う自然な経路を提供する。 しかし,表現の崩壊を防ぐために等方的表現を奨励する既存の手法は,「正しい」固有値依存スケーリングを低下させる傾向があり,通勤時間の不正確な表現につながる。 この問題に対処するために、遅延変位予測器と崩壊を防止する対数決定正則化器を組み合わせたCTWM(Comute-Time-Preserving World Models)を導入する。 数値シミュレーションでは、CTWMはタスクに依存しないベースラインであるLeWMと、パラメータの半分を使用しながら、複雑な目標達成ベンチマークで一致または性能を向上する。

関連論文リスト

• Anisotropic Representations Improve Planning in JEPA World Models [23.818052317701405]
  正確な予測と非崩壊表現は、タスク整合の遅延計画コストを保証しないことを示す。 固定トラスおよび異方性制約下での学習可能な対角共分散により、固定等方的ガウス対象を置き換える$RegのAnisoWMを導入する。 本分析では, 目標分散の予測による配分, トレーニング分布への依存性, 提案手法が計画的後悔を軽減する条件を特徴付ける。
  論文  参考訳（メタデータ） (2026-09-29T13:00:37Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Latent Geometry Beyond Search: Amortizing Planning in World Models [17.571800971505787]
  学習した表現は、単に予測を有効にするのではなく、制御を単純化できることを示す。 反復計画を手軽なゴール条件逆ダイナミクスモデル(GC-IDM)に置き換える コントローラは環境プロトコール設定8つのうち7つでCEMと一致または超過し、判定あたりのコストを100-130倍に削減する。
  論文  参考訳（メタデータ） (2026-05-09T06:36:23Z)
• Recovering Physical Dynamics from Discrete Observations via Intrinsic Differential Consistency [12.266189649117003]
  我々は地域の監督をグローバルな構造的制約に置き換える。 この特性からの偏差が2つの目的に作用する時間条件のセカント速度場を訓練する。 トレーニング正則化器として、時間スケールで一貫して構成されるフローに仮説空間を限定する。
  論文  参考訳（メタデータ） (2026-05-08T20:24:32Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Laplacian Representations for Decision-Time Planning [20.25004555858261]
  複数の時間スケールで状態空間距離をキャプチャすることで、ラプラシア表現が計画に有効な潜在空間を提供することを示す。 この表現は意味のある距離を保ち、自然に長い水平問題をサブゴールに分解し、長い予測地平線上で生じる複合誤差を緩和する。 階層的計画アルゴリズムであるALPSを導入し、OGBenchのオフラインゴール条件付きRLタスクの選択において、一般的に使用されるベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T20:34:50Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。