論文の概要: Parallel Predictive World Models for Accurate and Efficient Long-Horizon Planning

• arxiv url: http://arxiv.org/abs/2610.08627v1
• Date: Tue, 06 Oct 2026 16:26:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.107976
• Title: Parallel Predictive World Models for Accurate and Efficient Long-Horizon Planning
• Title（参考訳）: 高精度かつ効率的な長距離計画のための並列予測世界モデル
• Abstract要約: ロングホライゾンの世界モデル計画は通常、自己回帰的なロールアウトに依存している。 本稿では,有限水平軌道を並列に予測する並列予測世界モデルを提案する。 PPWMは最小長水平予測誤差と最高クロスエントロピー法(CEM)シミュレータ成功を達成する。
• 参考スコア（独自算出の注目度）: 13.0596852300869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon world-model planning typically relies on autoregressive rollouts, where predicted states are repeatedly fed back into the model. This preserves temporal structure but creates a horizon-length sequential path and exposes later predictions to recursive decoded-state feedback. We introduce Parallel Predictive World Models (PPWM), which predict a finite-horizon trajectory in parallel while retaining causal interaction among future representations. Each horizon is conditioned on its causal action prefix, and future representations interact before decoding, separating temporal causality from state-by-state output recursion. We formalize this distinction by viewing autoregressive rollout as a causal trajectory map and identifying the decoded-state feedback pathway removed by PPWM. Across four visual-control tasks, PPWM achieves the lowest long-horizon prediction error and the highest Cross-Entropy Method (CEM) simulator success among the evaluated predictive interfaces. Meanwhile, PPWM achieves more than a 3$\times$ average CEM planning speedup over the autoregressive LeWM baseline. These results suggest that accurate and efficient long-horizon world-model planning does not require state-by-state autoregression, but can instead be achieved through parallel causal trajectory prediction.
• Abstract（参考訳）: ロングホライゾンの世界モデル計画は通常、予測された状態がモデルに繰り返しフィードバックされる自己回帰的なロールアウトに依存する。 これは時間構造を保存するが、水平長のシーケンシャルパスを生成し、後続の予測を再帰的復号状態フィードバックに公開する。 我々は,将来の表現間の因果的相互作用を維持しつつ,有限水平軌道を並列に予測する並列予測世界モデル(PPWM)を提案する。 各水平線は因果行動プレフィックスに条件付けされ、将来の表現は復号前に相互作用し、状態ごとの出力再帰から時間的因果関係を分離する。 我々は、自己回帰的なロールアウトを因果軌道マップとして捉え、PPWMによって除去された復号状態フィードバック経路を同定することによって、この区別を定式化する。 4つの視覚制御タスクの中で,PPWMは,評価された予測インターフェースのうち,最小の長水平予測誤差と最大のクロスエントロピー法(CEM)シミュレータ成功を達成する。 一方、PPWMは自己回帰型LeWMベースラインよりも平均3$\times$CEMプランニングスピードアップを達成している。 これらの結果から, 高精度かつ効率的な長期計画は, 状態ごとの自己回帰を必要とせず, 並列因果軌道予測によって達成できることが示唆された。

関連論文リスト

• Learning Commute-Time-Preserving World Models for Planning [6.7022518034438585]
  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。
  論文  参考訳（メタデータ） (2026-10-01T09:42:42Z)
• Beyond Myopic World Models: Long-Horizon End-to-End Training for Direct Future Prediction [14.604042842855002]
  我々は,エンド・ツー・エンドの終端予測を目的とし,直接最適化することで,長い水平精度を向上できると主張している。 直接予測世界モデル(DPWM)は,アクションシーケンスを単一の埋め込みに圧縮し,単一前方通過におけるエンドポイント観測を予測する非再帰的アーキテクチャである。
  論文  参考訳（メタデータ） (2026-08-07T17:05:44Z)
• StateFlow: Dual-State Recurrent Modeling for Long-Horizon Time Series Forecasting [21.257843115741256]
  StateFlowは、VARNNをデュアルステートリカレントバックボーンとして使用して、ルックバックシーケンスから2つの補完的な信号をキャプチャする、リカレント予測フレームワークである。 チャンクベースのデコーダは、これらの軌跡を別々に要約し、それらを将来の地平線にマッピングし、直接多段階予測を行う。
  論文  参考訳（メタデータ） (2026-06-30T21:26:09Z)
• Fast LeWorldModel [5.938994204098151]
  我々は、繰り返しローカルロールアウトをアクション予測に置き換える高速遅延世界モデルであるFast LeWorldModel(Fast-LeWM)を提案する。 アクションプレフィックスを基本的な予測単位にすることで、Fast-LeWMは複数の水平線上で蓄積されたアクション効果を直接モデル化する。 Fast-LeWMはLeWMよりも平均的な成功を向上し、計画時間を大幅に短縮し、オープンループ遅延損失の低減を実現している。
  論文  参考訳（メタデータ） (2026-06-24T17:59:59Z)
• 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)
• ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
  視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。 本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:42Z)
• 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)
• Non-autoregressive Sequence-to-Sequence Vision-Language Models [59.445765313094434]
  本稿では,デコーダ内の複数の推論経路をマージする並列デコードシーケンス・ツー・シーケンス・ビジョン言語モデルを提案する。 このモデルは最先端の自己回帰モデルと同等のパフォーマンスを実現するが、推論時間では高速である。
  論文  参考訳（メタデータ） (2024-03-04T17:34:59Z)

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。