論文の概要: Beyond Task Reward: A Controller-Restriction Protocol for Evaluating Embodiment-Dependent Competence
- arxiv url: http://arxiv.org/abs/2610.07629v1
- Date: Tue, 06 Oct 2026 02:21:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.758094
- Title: Beyond Task Reward: A Controller-Restriction Protocol for Evaluating Embodiment-Dependent Competence
- Title（参考訳）: Task Reward: 身体依存能力を評価するためのコントローラ制限プロトコル
- Abstract要約: 共同設計手法は、ロボットの体とコントローラーを共同で最適化し、完全に最適化されたペアのタスク報酬である1つの数字で結果を判断する。
我々は,制御器の制御を制限し,明示的に宣言された低複雑さの制御器群の下で保持するタスク能力を記録することにより,その形態を評価する。
したがって、制限制御能力は共設計形態学の報告可能な性質であり、それを定義するコントローラファミリにのみ解釈できる。
- 参考スコア（独自算出の注目度）: 13.949265132431824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Co-design methods optimize a robot's body and controller jointly and judge the result by one number, the task reward of the fully optimized pair. That number cannot separate morphologies whose competence depends on the controller to very different degrees. We evaluate a morphology by restricting its controller instead, recording the task competence it retains under an explicitly declared, low-complexity controller family, environment, task and search budget. On three EvoGym locomotion tasks, task reward explains only $39\%$, $33\%$ and $10\%$ of the variance in this quantity, and geometric descriptors do not predict it under run-grouped cross-validation. The measurement is reliable across optimizer restarts (ICC$(2,k) = 0.956$--$0.986$) but depends on the declared family: phasing the drive by actuator index instead of position ranks the same morphologies at Spearman $0.50$--$0.63$ and reverses reward-matched pairs. As a second search objective the axis improved competence at matched task reward in $3$ of $5$ paired runs, short of a pre-registered bar of $4$. Used after an ordinary reward-only search instead, to choose within its top task-reward band, it selected a different body in all $8$ runs offering a choice, at a cost of at most $0.10$ reward units, and in $6$ of $8$ that body also scored higher under a held-out family. Restricted-control competence is therefore a reportable property of a co-designed morphology, interpretable only with the controller family that defines it.
- Abstract（参考訳）: 共同設計手法は、ロボットの体とコントローラーを共同で最適化し、完全に最適化されたペアのタスク報酬である1つの数字で結果を判断する。
この数は、コントローラーに依存する能力が非常に異なるモルフォロジーを区別することはできない。
我々は,その制御を制限し,その保持するタスク能力を,明示的に宣言された,低複雑さのコントローラファミリー,環境,タスク,検索予算に基づいて記録することにより,その形態を評価する。
EvoGymの3つのロコモーションタスクでは、タスク報酬は、この量のばらつきのわずか39.%$、3.3.%$、10.%$でしか説明できない。
測定はオプティマイザの再起動(ICC$(2,k) = 0.956$--0.986$)にわたって信頼できるが、宣言されたファミリーに依存している。
第二の目的として、この軸は、マッチしたタスク報酬の能力を改善して、ペアのランが$3$で、登録済みのバーが$4$であるのに対し、ペアのランが$5$である。
通常の報酬のみの検索の後、トップ・タスク・リワード・バンド内で選択するために、最低でも0.10ドルの報酬ユニットで選択可能な8ドルのランで別のボディを選択した。
したがって、制限制御能力は、それを定義するコントローラファミリにのみ解釈可能な、共設計のモルフォロジーの報告可能な性質である。
関連論文リスト
- Agentic Autoresearch for Cell-Edge Power Control: Radically Redefining the Researcher's Role [5.210473713362396]
我々は、AIエージェントが全体において自律エージェントに降伏できることを実証する。
我々は、AIエージェントがスクリプト、固定予算実験を編集し、不変メトリックに従ってコード変更を保持または破棄する自動検索プロトコルを採用する。
8時間26時間で、エージェントは1つの固定コストの推論で収束した最小化-最大化基準の99.5%、およそ600times$低い推論コストに達し、最初の作業アーキテクチャとのギャップの94%を閉じた。
論文 参考訳（メタデータ） (2026-08-26T17:56:00Z) - Rand-SEMI-QAOA: Finite-Budget Depth-One MaxCut Ensembles on Compressed Quantum Registers [0.0]
Rand-SEMI-QAOA は MaxCut の有限予算 QRAO-QAOA アンサンブルである。
このメソッドは、製品$X$ファミリから置き換えることなく、ラベルを均一にサンプリングする。
正確なゲージの恒等式は、積族ラベルが QRAO ハミルトニアンの軌道を生成することを示している。
論文 参考訳（メタデータ） (2026-08-16T09:47:55Z) - Consistent Model Chasing Is Minimax Optimal: The Exact Value of Scalar Adversarial Adaptive Control under Large Parametric Uncertainty [0.15229257192293197]
我々は、敵の障害に対する適応制御の根本的な問題を解決する。
我々は、因果制御器が対向対に対して保証できる最小のケースピークを見つける。
最適方針は、セットメンバーシップ一貫した間隔の中間点における一定の等価なデッドビート制御である。
論文 参考訳（メタデータ） (2026-08-13T18:00:03Z) - Comparison Patrols on Drifting Orders: Certified Rank Maintenance, Evolving Planar Maxima, and Selection under Drifting Fitness [0.2864713389096699]
動的環境におけるランクベースの選択は、使用中に陳腐化する順序情報に作用する。
本稿では,欠落情報層をデータ構造問題として定式化する。
最大$n=65,536$の試験は、証明書、回復法則、平衡挙動、等予算の動的進化ループを監査する。
論文 参考訳（メタデータ） (2026-06-12T23:39:33Z) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - Survive or Collapse: The Asymmetric Roles of Data Gating and Reward Grounding in Self-Play RL [76.45061154544568]
セルフプレイ強化学習は、言語モデルを独自の生成タスクで訓練し、人間ラベルなしでプロジェクタとソルバを共進化させる。
最近のシステムでは強い推理効果が報告されているが、崩壊と不安定性は広く観察され、理解されていない。
代わりに、自己プレイの安定性は、提案者生成タスクがトレーニングプールに入るかを判断するデータレベルゲートと、すでに認められたタスクに関するポリシーを更新する報酬信号の2つの異なるレバーによって管理されていると論じる。
論文 参考訳（メタデータ） (2026-05-21T09:19:23Z) - What Do EEG Foundation Models Capture from Human Brain Signals? [64.48249643001402]
現代の脳波基礎モデルは、自己教師付き事前訓練を通じて生信号から直接学習する。
我々は3つのサブクエストに分解する: モデルが何を学習するか、モデルを何に使用するのか、そしてどのように説明できるのか。
3つの基礎モデル(CSBrain, CBraMod, LaBraM),5つの臨床タスク(MDD, Stress, ISRUC-Sleep, TUSL, Siena)と6ファミリー63機能レキシコンを含む。
論文 参考訳（メタデータ） (2026-05-12T01:57:53Z) - When Is Rank-1 Steering Cheap? Geometry, Granularity, and Budgeted Search [61.73232505100331]
アクティベーションステアリングは、再トレーニングせずにLSMを制御する軽量な方法を提供するが、その効果は概念によって大きく異なる。
我々は介入層と係数に対する予算制約付き最適化としてランク1ステアリングを定式化する。
操作困難の原因の診断にアクティベーション幾何を利用するグラニュラリティおよび表現認識概念工学フレームワークである textitGRACE を提案する。
論文 参考訳（メタデータ） (2026-05-09T14:26:49Z) - ALMAB-DC: Active Learning, Multi-Armed Bandits, and Distributed Computing for Sequential Experimental Design and Black-Box Optimization [0.0]
ALMAB-DCはブラックボックス実験のための逐次設計フレームワークである。
バンディット成分に対する累積的後悔境界を示し、Amdahlの法則を通した並列スケーラビリティを特徴付ける。
分散実行は、Amdahlの法則に従って、$K = 16$エージェントでの7.5times$スピードアップを達成する。
論文 参考訳（メタデータ） (2026-03-22T11:47:20Z) - Group Pose: A Simple Baseline for End-to-End Multi-person Pose
Estimation [102.02917299051757]
グループ・ポース(Group Pose)と呼ばれる単純だが効果的なトランスフォーマー・アプローチを提案する。
すべての$Ntimes(K+1)$クエリに対して単一の自己アテンションを、その後の2つのグループ自己アテンションに置き換える。
MS COCO と CrowdPose の実験結果から,従来の手法よりもヒトボックスの監督を伴わないアプローチの方が優れていることが示された。
論文 参考訳（メタデータ） (2023-08-14T17:58:04Z)
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。