論文の概要: Noise Space Learning for VLA Adaptation

• arxiv url: http://arxiv.org/abs/2610.13943v1
• Date: Fri, 09 Oct 2026 17:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.722407
• Title: Noise Space Learning for VLA Adaptation
• Title（参考訳）: VLA適応のための雑音空間学習
• Abstract要約: ノイズ空間学習(NSL)は、フローマッチングに基づく視覚言語反応(VLA)モデルに適応する。 NSLは、事前訓練されたVLAを固定しながら、ノイズ上の文脈条件付き分布を学習することで適応する。 我々は、LIBERO、RoboTwin、および4つの実ロボット操作タスクに対して、相互作用、計算、実行制約下でこれらのNSLアルゴリズムについて検討する。
• 参考スコア（独自算出の注目度）: 16.11751688755948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained vision-language-action (VLA) models encode broad manipulation priors, yet adapting them to specific tasks requires balancing limited robot interaction, computational resources, and safety constraints. Noise space learning (NSL) adapts flow-matching-based VLAs by learning a context-conditioned distribution over noise while keeping the pretrained VLA fixed. Building on prior noise-steering methods, we formulate NSL as an interface for VLA adaptation that accommodates different learning algorithms and instantiate it with PPO, SAC, and AWR. Theoretically, we provide an information-theoretic analysis of how NSL enables efficient adaptation. Empirically, we study these NSL algorithms on LIBERO, RoboTwin, and four real-robot manipulation tasks under interaction, computation, and execution constraints. Across these settings, we develop a suite of effective NSL variants and derive practical recommendations for choosing among them under different resource and deployment regimes.
• Abstract（参考訳）: 事前訓練された視覚-言語-アクション(VLA)モデルは、幅広い操作先を符号化するが、特定のタスクにそれらを適用するには、限られたロボットの相互作用、計算資源、安全性の制約のバランスが必要である。 ノイズ空間学習(NSL)は、事前訓練されたVLAを固定しながら、ノイズ上の文脈条件付き分布を学習することにより、フローマッチングベースのVLAに適応する。 従来のノイズステアリング手法に基づいて,異なる学習アルゴリズムに対応するVLA適応インタフェースとしてNSLを定式化し,PPO,SAC,AWRでインスタンス化する。 理論的には、NSLが効率的に適応する方法についての情報理論解析を行う。 実験的に,これらのNSLアルゴリズムをLIBERO,RoboTwin,および4つの実ロボット操作タスクに対して,相互作用,計算,実行制約下で検討した。 これらの設定全体にわたって、有効なNSL変種群を開発し、異なるリソースおよびデプロイメント体制下で選択するための実践的なレコメンデーションを導出する。

関連論文リスト

• StructRL: Structured Action-Space Exploration for Flow-Based VLAs [81.43458629514139]
  フローベースのビジョン・ランゲージ・アクションモデルは現在、連続的なロボット操作に広く使われている。 オンライン強化学習は、それらを新しいタスクに適応するための重要なテクニックとして浮上している。 動作群間で時間的にスムーズかつスケールの異なる,構造的雑音に対する効果的なロボット探索の必要性を示す。
  論文  参考訳（メタデータ） (2026-08-15T09:31:29Z)
• AsynDBT: Asynchronous Distributed Bilevel Tuning for efficient In-Context Learning with Large Language Models [4.4866154758274375]
  In-context Learning (ICL) は、LLMが入力内で提供される例を使って新しいタスクに適応できる有望なパラダイムとして登場した。 ICLを組み込んだ以前のFLアプローチは、重度のストラグラー問題と、異種非同一データに関連する課題に悩まされてきた。 本稿では,LLMからのフィードバックに基づいて,文脈内学習サンプルの最適化とフラグメントのプロンプトを行う非同期分散バイレベルチューニング(AsynDBT)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-06T13:07:49Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• LLS: Local Learning Rule for Deep Neural Networks Inspired by Neural Activity Synchronization [6.738409533239947]
  従来のバックプロパゲーション(BP)を用いたディープニューラルネットワーク(DNN)のトレーニングは、計算複雑性とエネルギー消費の観点からの課題を提示している。 脳内で観察される神経活動同期現象(LLS)にインスパイアされた新しい局所学習規則を提案する。 LLSは、最大300倍の乗算累積(MAC)演算を減らし、BPのメモリ要求の半分で同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-24T18:24:24Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)
• Large Language Models are Efficient Learners of Noise-Robust Speech Recognition [65.95847272465124]
  大規模言語モデル(LLM)の最近の進歩は、自動音声認識(ASR)のための生成誤り訂正(GER)を促進している。 本研究では,このベンチマークをノイズの多い条件に拡張し,GERのデノナイジングをLLMに教えることができるかを検討する。 最新のLLM実験では,単語誤り率を最大53.9%改善し,新たなブレークスルーを実現している。
  論文  参考訳（メタデータ） (2024-01-19T01:29:27Z)
• Evolutionary Augmentation Policy Optimization for Self-supervised Learning [10.087678954934155]
  自己教師付き学習は、手動でラベル付けされたデータを必要としないディープニューラルネットワーク(DNN)の事前トレーニングのための機械学習アルゴリズムである。 本稿では,自己教師付き学習アルゴリズムの性能向上に対する拡張演算子の貢献について検討する。
  論文  参考訳（メタデータ） (2023-03-02T21:16:53Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• Semi-supervised source localization in reverberant environments with deep generative modeling [25.085177610870666]
  残響環境における音源定位に対する半監督的アプローチを提案する。 このアプローチは深い生成モデルに基づいている。 VAE-SSL は SRP-PHAT と完全教師付き CNN の両方より優れていることがわかった。
  論文  参考訳（メタデータ） (2021-01-26T08:54:38Z)
• Relational Teacher Student Learning with Neural Label Embedding for Device Adaptation in Acoustic Scene Classification [49.0621360050418]
  音響シーン分類におけるデバイスミスマッチ問題に対処するドメイン適応フレームワークを提案する。 音響シーンのクラス間の構造的関係を考慮し、本提案手法は本質的にデバイスに依存しない関係を捉える。 トレーニング段階では、転写可能な知識はソースドメインからNLEに凝縮される。 適応段階では、ペアのソースターゲットデータを使用しずに適応対象モデルを学習するために、新しいRTSL戦略を採用する。
  論文  参考訳（メタデータ） (2020-07-31T23:07:20Z)

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。