論文の概要: AVL-JEPA: Preventing Causal Dynamics Information Collapse In Joint Embedding Predictive Architecture World Models

• arxiv url: http://arxiv.org/abs/2610.03587v1
• Date: Fri, 02 Oct 2026 16:56:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.495779
• Title: AVL-JEPA: Preventing Causal Dynamics Information Collapse In Joint Embedding Predictive Architecture World Models
• Title（参考訳）: AVL-JEPA:予測的アーキテクチャ世界モデルへの共同埋め込みによる因果ダイナミクス情報崩壊の防止
• Abstract要約: 統合埋め込み予測アーキテクチャ(JEPA)は、観測を再構築することなく将来の潜伏表現を予測する。 JEPAは、アクションの物理的結果に関する情報を捨てながら、高次元の視覚情報を保存できる。 我々は、この故障モードを因果ダイナミクス情報崩壊と呼び、この崩壊を防止するために、アクショングラウンドド・ビジョン不変潜水器を提案する。
• 参考スコア（独自算出の注目度）: 6.656093920376418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Joint embedding predictive architectures (JEPAs) predict future latent representations without reconstructing observations, enabling world models to focus on high-level semantic dynamics. However, a JEPA can preserve high dimensional visual information while discarding information about the physical consequences of actions. We call this failure mode causal dynamics information collapse and propose action-grounded vision-invariance latent (AVL) to prevent this collapse. We first use the executed action as an auxiliary dynamics anchor that encourages the model to preserve dynamics information, and then use a vision-invariance pathway which aligns perturbed and clean latent predictions without discarding dynamics information, forcing the model to fully understand and utilize causal dynamics information. We validate AVL on four robotic control tasks (TwoRoom, PushT, OGBench Cube, and Reacher), showing that it substantially improves success rates under visual perturbations while preserving clean-environment performance. We further evaluate physical consequence alignment, clean-noisy dynamics consistency, and the causal effect of targeted transition subspace erasure. Collectively, these results indicate that dynamic information causally relevant to planning is preserved from collapse under AVL.
• Abstract（参考訳）: 統合埋め込み予測アーキテクチャ(JEPA)は、観測を再構築することなく将来の潜伏表現を予測し、世界モデルが高レベルのセマンティックダイナミクスに集中できるようにする。 しかし、JEPAは、アクションの物理的結果に関する情報を捨てながら、高次元の視覚情報を保存できる。 本稿では、この故障モードを因果ダイナミクス情報崩壊と呼び、この崩壊を防止するために、アクショングラウンドド・ビジョン不変潜水器(AVL)を提案する。 まず,動的情報の保存をモデルに促す補助的動的アンカーとして,動的情報を捨てることなく乱れやクリーンな潜伏予測を整列させる視覚不変経路を用いて,因果的ダイナミクス情報を完全に理解し活用させる。 AVLは4つのロボット制御タスク(TwoRoom,PushT,OGBench Cube,Reacher)で検証し,クリーン環境性能を維持しながら視覚摂動下での成功率を大幅に向上させることを示した。 さらに、物理的帰結アライメント、クリーンノイズのダイナミックス整合性、および目的とする遷移部分空間消去の因果効果について検討した。 これらの結果は,AVL下での崩壊から,計画に因果関係のある動的情報が保存されることを示唆している。

関連論文リスト

• 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)
• Towards Generalizable Robotic Manipulation in Dynamic Environments [48.77270850350943]
  VLA(Vision-Language-Action)モデルは静的な操作では優れているが、動いた軌跡を持つ動的環境では困難である。 本稿では、大規模なデータセットと一般的な動的操作のためのベンチマークであるDOMINOを紹介する。 また、動的に認識可能なVLAアーキテクチャPUMAを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:59:57Z)
• FutureVLA: Joint Visuomotor Prediction for Vision-Language-Action Model [73.03346643967309]
  我々は、効果的な共同運動予測モデルには、時間的連続性と視覚的条件による監督的疎結合の両方が必要であると論じる。 FutureVLAは、視覚情報と運動情報を最初に分離することで、関節振動子埋め込みを抽出するように設計されている。 訓練後の段階において、我々は遅延埋め込みアライメント戦略を採用し、様々な下流VLAモデルによりこれらの時間的先行を内部化することができる。
  論文  参考訳（メタデータ） (2026-03-11T12:39:55Z)
• Dynamic Evaluation for Oversensitivity in LLMs [68.27609301865174]
  過敏性は、言語モデルが実際に良性であるプロンプトを防衛的に拒否するときに起こる。 この振る舞いはユーザインタラクションを妨害するだけでなく、有害なコンテンツと無害なコンテンツの境界を曖昧にする。 既存のベンチマークは、モデルの発展に伴ってオーバータイムを低下させる静的データセットに依存している。
  論文  参考訳（メタデータ） (2025-10-21T18:33:47Z)
• DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge [41.030494146004806]
  本稿では,逆動力学モデリングを実現するために,包括的世界知識予測を統合した新しいVLAフレームワークであるDreamVLAを提案する。 DreamVLAは、動的領域誘導の世界知識予測を導入し、空間的および意味的な手がかりと統合し、アクション計画のためのコンパクトで包括的な表現を提供する。 実世界とシミュレーション環境での実験では、ドリームVLAが実際のロボットタスクで76.7%の成功率を達成したことが示されている。
  論文  参考訳（メタデータ） (2025-07-06T16:14:29Z)
• Dynamical-VAE-based Hindsight to Learn the Causal Dynamics of Factored-POMDPs [9.662551514840388]
  オフライン軌道から因果マルコフ力学を学習するための動的変分自動エンコーダ(DVAE)を提案する。 提案手法では,過去,現在,多段階の将来の情報を統合した拡張後視フレームワークを用いる。 実験結果から,本手法はヒストリベースや典型的な後視モデルよりも隠れ状態遷移を効率的に管理する因果グラフを明らかにする。
  論文  参考訳（メタデータ） (2024-11-12T14:27:45Z)
• DynaVINS++: Robust Visual-Inertial State Estimator in Dynamic Environments by Adaptive Truncated Least Squares and Stable State Recovery [11.37707868611451]
  我々はmboxtextitDynaVINS++と呼ばれる堅牢なVINSフレームワークを提案する。 我々のアプローチは、突然の動的オブジェクトを含む動的環境における有望なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-20T12:13:45Z)

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。