論文の概要: Targeted Modality Dropout for Real-Robot Manipulation Robust to Intermittent Vision Loss

• arxiv url: http://arxiv.org/abs/2610.09566v1
• Date: Wed, 07 Oct 2026 07:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.770797
• Title: Targeted Modality Dropout for Real-Robot Manipulation Robust to Intermittent Vision Loss
• Title（参考訳）: 間欠的視覚障害に対するリアルロボットマニピュレーションロバストのための目標モダリティドロップアウト
• Abstract要約: 複数の感覚モダリティを統合する模倣学習政策は、訓練中に視覚などの支配的なモダリティを過度に依存する傾向がある。 本稿では,TMD(Targeted Modality Dropout)を紹介し,各モードへの依存度を注意力を用いて推定し,最も支配的なモードを選択的に減少させる。
• 参考スコア（独自算出の注目度）: 3.2537120819511016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imitation learning policies that integrate multiple sensory modalities are prone to overreliance on a dominant modality, such as vision, during training, which can disrupt policy execution when that modality is lost at inference time. In this paper, we introduce Targeted Modality Dropout (TMD), in which the dependence on each modality is estimated using attention and the most dominant modality is selectively dropped. This is combined with entropy regularization over the dependence distribution. Through real-robot evaluation using a bimanual manipulator, we show that under vision loss the success rate of the baseline policy drops substantially, whereas TMD sustains task execution. In contrast, a conventional dropout that selects the dropped modality at random, without the entropy regularization, fails on many tasks even without vision loss.
• Abstract（参考訳）: 複数の感覚的モダリティを統合する模倣学習ポリシーは、トレーニング中に視覚などの支配的なモダリティに過度に依存する傾向があり、そのモダリティが推論時に失われると、ポリシーの実行を妨害する可能性がある。 本稿では,TMD(Targeted Modality Dropout)を紹介し,各モードへの依存度を注意力を用いて推定し,最も支配的なモダリティを選択的に減少させる。 これは、依存分布に対するエントロピー正則化と組み合わせられる。 両手マニピュレータを用いた実ロボット評価により,視力低下下では基本方針の成功率が大幅に低下するのに対して,TMDはタスク実行を維持できることを示す。 対照的に、アントロピー正則化なしでランダムにドロップしたモダリティを選択する従来のドロップアウトは、視覚的損失がなくても多くのタスクで失敗する。

関連論文リスト

• Immiscible Diffusion Policy: Preserving Multimodal Robot Actions through Label-Free Noise Assignment [65.05888282246983]
  我々は,データセットのモダリティと正確な内部対称性のバランスを保証しても,拡散ポリシが単一モダリティに崩壊することを示す。 Inmiscible Diffusion Policy は,比較的明確なノイズ・ツー・アクション経路を維持するために,アクション・ノイズの割り当てを利用する拡散政策に対するラベルフリーのトレーニングタイムアドオンである。
  論文  参考訳（メタデータ） (2026-10-07T03:22:26Z)
• TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
  大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。 しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。 凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。 MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
  論文  参考訳（メタデータ） (2026-08-18T23:40:28Z)
• IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
  IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。 IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。 政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
  論文  参考訳（メタデータ） (2026-08-11T08:20:02Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• Explicit Dropout: Deterministic Regularization for Transformer Architectures [55.09895958546215]
  ドロップアウトはディープラーニングにおいて広く使われている正規化手法であるが、その効果は一般的にマスキングによって実現される。 トレーニング損失に直接組み込まれた加算正則化器としてドロップアウトを表現する決定論的定式化を提案する。
  論文  参考訳（メタデータ） (2026-04-22T12:45:51Z)
• Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
  Referring-Aware Visuomotor Policy(ReV)について紹介する。 ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。 これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
  論文  参考訳（メタデータ） (2026-04-07T07:41:11Z)
• Trace-Focused Diffusion Policy for Multi-Modal Action Disambiguation in Long-Horizon Robotic Manipulation [27.077503086179863]
  Trace-Focused Diffusion Policy (TF-DP) は、ロボットの実行履歴にアクション生成を明示的に条件付ける拡散ベースのフレームワークである。 実世界のロボット操作作業におけるTF-DPの評価を行った。
  論文  参考訳（メタデータ） (2026-02-07T06:06:43Z)
• Continuum Dropout for Neural Differential Equations [13.964482869838639]
  ニューラル微分方程式(NDE)の普遍的正則化手法である連続解法(Continuum Dropout)を導入する。 連続的なドロップアウト(Continuum Dropout)は、連続的にアクティブ(進化)状態と非アクティブ(停止)状態とを交互に交換するプロセスとしてドロップアウトのオンオフ機構を定式化する。 連続的なドロップアウトは,NDEの既存の正規化手法よりも優れており,様々な時系列や画像分類タスクにおいて優れた性能を発揮することを実証する。
  論文  参考訳（メタデータ） (2025-11-13T16:10:45Z)
• AttentionDrop: A Novel Regularization Method for Transformer Models [0.3262230127283452]
  トランスフォーマーベースのアーキテクチャは、自然言語処理、コンピュータビジョン、音声処理において幅広いタスクで最先端のパフォーマンスを達成する。 しかし、その膨大な能力は、特にトレーニングデータに制限やノイズがある場合、過度に適合する。 本研究は,自己意識分布を直接操作する統一正規化手法のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-04-16T13:51:16Z)

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。