論文の概要: On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models

• arxiv url: http://arxiv.org/abs/2610.01842v1
• Date: Thu, 01 Oct 2026 15:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.21701
• Title: On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models
• Title（参考訳）: 時系列世界モデルにおける精度とメカニズムの多様性について
• Abstract要約: 時系列世界モデル(TSWM)は、観測された履歴と計画された行動と入力から制御システムの状態を予測する。 実際のシステムのように、どの設計選択が重要か、そして正確な予測が変更計画に反応するかどうかを問う。 我々はTSWMに、凍結した潜伏空間と精度のための出力側融合のレシピと、メカニズムの整合性のトレーニング目標を与える。
• 参考スコア（独自算出の注目度）: 39.88832373182896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A time series world model (TSWM) predicts a controlled system's state from its observed history and planned actions and exogenous inputs. Current approaches build forecasters with actions as covariates, trained and evaluated on prediction error under the executed plan. Yet world models compare unexecuted plans, but their responses to changed plans remain untested. We ask which design choices matter and whether accurate forecasters respond to changed plans as real systems do. We address both with a formalization and benchmark. The formalization separates state, actions and exogenous inputs, distinguishes continuous, mode and event actions, and introduces mechanism consistency, a metric built on declared action-state relations with known directions, such as a vasopressor raising blood pressure: it checks whether shifting an action moves the forecast in the declared direction. The benchmark consolidates eight public datasets with real actions from engineered infrastructure and clinical care, varying prediction space, plan fusion and plan encoding across seven backbones and five seeds. First, a frozen latent prediction space lowers MAE by 9.9% over observation space and gated output fusion lowers it by 12.7% over input concatenation on average, with both improving all eight datasets; temporal plan encoding changes average MAE by at most 2.2%. Second, prediction error and mechanism consistency diverge: the lowest-error configuration is at or below chance in consistency on four of five datasets with declared mechanisms, and no design choice avoids this. Finally, directional supervision, a loss penalizing the wrong-signed part of the response to a shifted action, significantly raises consistency on penalized mechanisms with no change in MAE. Together they give TSWMs a recipe: a frozen latent space and output-side fusion for accuracy, and a training objective for mechanism consistency.
• Abstract（参考訳）: 時系列世界モデル(TSWM)は、観測された履歴や計画された行動、外因性入力から制御されたシステムの状態を予測する。 現在のアプローチでは、実行された計画の下での予測エラーに基づいて、アクションを共変量として、トレーニングし、評価した予測器を構築している。 しかし、世界モデルは実行されていない計画と比較するが、計画の変更に対する彼らの反応は未検証のままである。 実際のシステムのように、どの設計選択が重要か、そして正確な予測が変更計画に反応するかどうかを問う。 フォーマル化とベンチマークの両方で対処します。 定式化は状態、行動、外因性入力を分離し、連続、モード、イベントアクションを区別し、メカニズムの一貫性を導入する。 このベンチマークは、エンジニアリングされたインフラストラクチャと臨床ケア、さまざまな予測空間、プラン融合と7つのバックボーンと5つのシードにわたるプランエンコーディングを含む8つの公開データセットを統合している。 まず、凍結遅延予測空間は、観測空間上でMAEを9.9%下げ、ゲート出力融合により、平均的な入力結合よりも12.7%下げる。 第二に、予測エラーとメカニズムの整合性: 最も低いエラー構成は、宣言されたメカニズムを持つ5つのデータセットのうち4つの整合性にある。 最後に、方向監督は、シフトアクションに対する反応の間違った符号の部分をペナル化する損失であり、MAEの変化のないペナル化機構に対する一貫性を著しく向上させる。 TSWMのレシピは、凍結した潜伏空間と正確性のための出力側融合と、メカニズムの整合性のためのトレーニング目標である。

関連論文リスト

• Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
  複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。 状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。 動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
  論文  参考訳（メタデータ） (2026-09-27T14:12:27Z)
• AD-WM: Action-Discriminative World Models for Counterfactual Model Predictive Control [31.53438833300694]
  対実的MPCのための行動識別型共同埋め込み世界モデルであるAD-WMを紹介する。 一致したLeWMベースラインに対して,AD-WMはハードスタート成功率を3.7%から52.0%に改善することを示した。 また,実際の予測誤差と銀行全体の行動ランクが閉ループ成功順序に従わないことを示す。
  論文  参考訳（メタデータ） (2026-09-24T17:59:41Z)
• 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)
• MoP-JEPA: Hard-Assigned Predictor Mixtures for Stochastic JEPA World Models [14.76812870029721]
  MoP-JEPAは、有限個の候補セットを1つのパスで生成する。 ホールドアウトのOGBenchトランジションでは、単一出力予測器によるグラフ検索が0.02$--0.09$のクエリで成功し、MoP-JEPAは0.85$に達した。
  論文  参考訳（メタデータ） (2026-07-06T15:47:37Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)

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。