論文の概要: When Generative Models Act as Simulators

• arxiv url: http://arxiv.org/abs/2610.12847v1
• Date: Fri, 09 Oct 2026 01:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.335568
• Title: When Generative Models Act as Simulators
• Title（参考訳）: 生成モデルがシミュレーターとして機能する時
• Abstract要約: 生成モデルは、明示的な仕様なしで世界の表現を学ぶが、その世界の状態を編集するためのビルトインの方法を提供する。 生成モデルの潜伏状態とシミュレータ状態とのマッピングを行い、モデルが観察のみに基づいて訓練され、その後にマッピングが学習される。
• 参考スコア（独自算出の注目度）: 12.051446549851844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A simulator summarizes an environment in a state that users can read and change. Generative models learn representations of the world without explicit specification, but offer no built-in way to edit that world's state. We investigate the conditions under which a generative model can act as a simulator through $\textit{editability}$: whether changing a model's latent representation produces the next-step outputs we get by editing a simulator's state. Plainly stated, our goal is to find a mapping between a generative model's latent state and the simulator state, where the model is trained on observations alone and the mapping is learned afterward. We test two kinds of mappings, both learned from observations paired with simulator states. In one, we train probes to decode the simulator state from the model, then steer along them. In the other, we learn the mapping directly with an inverse map, which can succeed even where steering fails. We study both in two contrasting environments: the discrete board game Othello, and Rayworld, our own continuous world of moving discs seen through partial renderings, closer to physical scenes and video. We find that which mapping succeeds depends strongly on the environment, even though the state is decodable in every variant. In Othello, editability falls smoothly as the game is simplified, and even small rule changes have large consequences. In Rayworld, probes fail to steer along the simulator's continuous state, yet an inverse map sets the model from that state anyway. A model can therefore be driven by a simulator it may have never learned.
• Abstract（参考訳）: シミュレータは、ユーザが読み、変更できる状態の環境を要約する。 生成モデルは、明示的な仕様なしで世界の表現を学ぶが、その世界の状態を編集するためのビルトインの方法を提供する。 生成モデルが$\textit{editability}$を通じてシミュレータとして機能する条件について検討する。 本研究の目的は、生成モデルの潜伏状態とシミュレータ状態とのマッピングを見つけることであり、そこでは、モデルが観察のみに基づいて訓練され、その後にマッピングが学習される。 シミュレーション状態と組み合わせた観測結果から得られた2種類のマッピングを検証した。 ひとつは、シミュレータ状態をモデルからデコードするためにプローブをトレーニングし、それに沿ってステアすることです。 他方では、逆写像で直接地図を学習し、ステアリングが失敗しても成功できる。 我々は2つの対照的な環境で研究している: 離散ボードゲーム『Othello』と『Rayworld』。 どの写像が成功するかは環境に強く依存するが、状態はすべての変種で退化可能である。 オセロでは、ゲームが単純化されるにつれて編集性がスムーズに低下し、小さなルールの変更でさえ大きな結果をもたらす。 レイワールドでは、プローブはシミュレータの連続状態に沿って操縦することができないが、逆写像はその状態からモデルを設定する。 従ってモデルは、学習したことのないシミュレータによって駆動される。

関連論文リスト

• StatePlay: State-Aware Game World Models for Mechanics-Consistent Generation [53.07918503798731]
  StatePlayは、ビジュアルコンテンツとゲーム状態を予測する新しいステート対応ゲームワールドモデルであり、メカニクスと一貫性のある生成を促進する。 我々の研究は、状態認識型ゲームワールドモデリングの重要性を強調し、完全かつ機械的に忠実なゲーム生成に向けたピクセルレベルのリアリズムを超えて進歩している。
  論文  参考訳（メタデータ） (2026-07-29T10:49:30Z)
• Learning rigid-body simulators over implicit shapes for large-scale scenes and vision [11.815473102158368]
  本稿では,SDF-Simについて紹介する。 学習した符号距離関数(SDF)を用いて物体形状を表現し,距離計算を高速化する。 文学において初めて、GNNベースのシミュレータを数百のオブジェクトと最大1100万ノードのシーンに拡張できることを実証した。
  論文  参考訳（メタデータ） (2024-05-22T22:32:04Z)
• Learning Interactive Real-World Simulators [96.5991333400566]
  生成モデルを用いて実世界の相互作用の普遍的なシミュレータを学習する可能性について検討する。 シミュレーターを用いて、高レベルな視覚言語ポリシーと低レベルな強化学習ポリシーの両方を訓練する。 ビデオキャプションモデルは、シミュレートされた経験を持つトレーニングの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-10-09T19:42:22Z)
• Learning Hybrid Dynamics Models With Simulator-Informed Latent States [7.801959219897031]
  そこで我々は,シミュレーションを用いて学習モデルの潜伏状態を通知するハイブリッドモデリング手法を提案する。 これにより、シミュレータを介して予測を制御することで、エラーの蓄積を防ぐことができる。 学習に基づく設定では、シミュレータを通して潜在状態を推測するダイナミクスとオブザーバを共同で学習する。
  論文  参考訳（メタデータ） (2023-09-06T09:57:58Z)
• MARS: An Instance-aware, Modular and Realistic Simulator for Autonomous Driving [13.571775151180923]
  ニューラルレイディアンスフィールド(NeRF)に基づく自律走行シミュレータを提案する。 我々のシミュレーターは、フォアグラウンドインスタンスとバックグラウンド環境を独立したネットワークで別々にモデル化する。 我々のシミュレーターは、最高のモジュール選択を条件に、最先端のフォトリアリズムを新たに設定した。
  論文  参考訳（メタデータ） (2023-07-27T17:59:52Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)

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。