論文の概要: Action-Consequence Alignment for Reliable Planning and Self-Improving in Latent World Models

• arxiv url: http://arxiv.org/abs/2610.04539v1
• Date: Sat, 03 Oct 2026 14:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 19:04:53.174872
• Title: Action-Consequence Alignment for Reliable Planning and Self-Improving in Latent World Models
• Title（参考訳）: 潜在世界モデルにおける信頼性の高い計画と自己改善のためのアクション・コンシューレンス・アライメント
• Abstract要約: 学習された世界モデルが類似した行動結果対応を維持しているかどうかを検討する。 その結果、近くの代替手段は、記録された目標から遠く離れた物理的結果を生み出すにもかかわらず、より低い予測誤差を得られることが示された。 これらの結果は、予測学習と信頼性プランニングをブリッジする実践原則として、アクション・エフェクト・アライメントを支援する。
• 参考スコア（独自算出の注目度）: 50.093046379641315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent world models learn to predict observed transitions, yet low prediction error alone does not guarantee reliable planning. Inspired by self tickling experiments in neuroscience showing that disrupting motor sensory correspondence increases prediction mismatch, we examine whether learned world models preserve an analogous action consequence correspondence.The results show nearby alternatives can receive lower prediction errors despite producing physical outcomes farther from the recorded target. With that future treated as a goal, this reveals a concrete prediction planning mismatch: the model assigns a lower cost to an action that achieves the target less accurately. To mitigate this gap, we introduce Action Consequence Alignment (ACA), a training objective that complements forward prediction by penalizing the prediction error advantage of locally searched alternatives over factual actions without additional model components or environment interactions during training. The same principle can also guide additional data collection for self improvement. We demonstrate that across diverse environments and evaluation settings, ACA improves planning performance and reduces real goal error, while ACA guided data collection outperforms random local sampling. These results support action consequence alignment as a practical principle for bridging predictive learning and reliable planning.
• Abstract（参考訳）: 潜在世界モデルは観測された遷移を予測することを学習するが、予測誤差が低いだけでは信頼できる計画が保証されない。 運動感覚対応の破壊が予測ミスマッチを増大させることを示す神経科学実験から着想を得て,学習された世界モデルが類似した行動結果対応を維持しているかどうかを調べた。 その将来を目標として扱うことで、具体的な予測計画ミスマッチが明らかになる:モデルは、目標をより正確に達成するアクションに、より低いコストを割り当てる。 このギャップを緩和するために、我々は、モデルコンポーネントの追加や訓練中の環境相互作用を伴わずに、局所的に探索された代替品の予測誤差の利点を生かし、前方予測を補完する訓練目標であるAction Consequence Alignment (ACA)を導入する。 同じ原則は、自己改善のための追加のデータ収集もガイドできる。 多様な環境や評価設定において、ACAは計画性能を改善し、実際の目標誤差を低減する一方、ACAガイドによるデータ収集はランダムな局所サンプリングよりも優れていることを示す。 これらの結果は、予測学習と信頼性プランニングをブリッジする実用的な原則として、アクション・エフェクト・アライメントを支援する。

関連論文リスト

• ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection [58.95432059887781]
  ATI-VLAはAction-Centric Predictive Vision-Language-Actionフレームワークである。 両方のモダリティを共有潜在空間にマッピングすることで、予測観測と行動表現を一致させる。 その後、予測された観測潜伏者を明示的な予測先行として行動復号に注入する。
  論文  参考訳（メタデータ） (2026-10-01T14:12:23Z)
• Feedback World Model Enables Precise Guidance of Diffusion Policy [36.965417653906535]
  本稿では,推定時刻における予測と観測のループを閉じる新たなパラダイムであるフィードバック・ワールド・モデルを提案する。 本手法は,分布シフト時の予測精度とポリシー性能を大幅に向上することを示す。 特に、世界モデルの予測誤差を最大76.4%削減し、アウト・オブ・ディストリビューション(OOD)の成功率を30%改善する。
  論文  参考訳（メタデータ） (2026-05-15T07:52:13Z)
• Learning Lifted Action Models from Unsupervised Visual Traces [38.479081137300945]
  本研究では,状態予測,行動予測,持ち上げ行動モデルなどを共同で学習するディープラーニングフレームワークを提案する。 また,予測崩壊や自己強化エラーを防止するために,MILP(mixed-integer linear program)を導入する。 複数の領域にわたる実験により、MILPベースの補正を統合することで、モデルが局所最適から逃れ、一貫した解へと収束することを示す。
  論文  参考訳（メタデータ） (2026-04-21T03:49:04Z)
• Evaluating randomized smoothing as a defense against adversarial attacks in trajectory prediction [9.678379563415204]
  ランダムな平滑化に基づく軌道予測モデルのための新しい防御機構を開発し,評価する。 この結果から, ランダムスムーシングは, トラジェクティブ予測において, 逆方向攻撃を緩和するための簡易かつ計算コストのかかる手法であることがわかった。
  論文  参考訳（メタデータ） (2026-03-11T14:30:52Z)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Acting upon Imagination: when to trust imagined trajectories in model based reinforcement learning [1.26990070983988]
  モデルベース強化学習(MBRL)は、行動の結果を予測する環境力学のモデル(s)を学習することを目的としている。 仮想軌道のオンライン評価のための不確実性推定手法を提案する。 その結果,性能を犠牲にすることなく計算コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2021-05-12T15:04:07Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。