論文の概要: Flow-Support-Weighted Proposals for Test-Time Verified VLA Policies
- arxiv url: http://arxiv.org/abs/2610.14588v1
- Date: Sat, 10 Oct 2026 05:06:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 12:48:10.235143
- Title: Flow-Support-Weighted Proposals for Test-Time Verified VLA Policies
- Title（参考訳）: テスト時間検証VLA政策のためのフローサポーポート重み付き提案
- Abstract要約: テストタイムサンプリングは、1つのアクション予測を検証者が選択できる独立した実行可能候補のセットに変換することを約束する。
1つのタスク分布を解くために訓練された視覚アクションモデルは、そのフローマッチングデコーダを支配的な実演行動の周りに集中させ、繰り返しサンプルはわずかに異なる。
繰り返しサンプルは、候補となる予算が増加するにつれて、非常に冗長なままになります。
- 参考スコア（独自算出の注目度）: 21.165662881835416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Test-time sampling promises to turn one action prediction into a set of distinct executable candidates that a verifier can choose among. Downstream fine-tuning works against that promise. A vision-language-action model trained to solve one task distribution concentrates its flow-matching decoder around the dominant demonstrated action, so repeated samples differ only marginally and the verifier receives many copies of one decision. We call this proposal contraction and identify it as a key constraint on test-time scaling: repeated samples can remain highly redundant as the candidate budget grows. Action Dynamic Sampling (ADS) alleviates the constraint on the proposal side, during training. At each training step, ADS integrates $K$ additional trajectories from the current policy under fresh base noise, scores each by the flow support along its path with a Hutchinson trace estimator, and corrects the policy's local action distribution toward this weighted set through a detached finite-set KL term. Training cost rises; deployment cost is unchanged. Across simulation and four physical-robot tasks, ADS raises proposal spread without the success penalty that Gaussian perturbation incurs, lifts oracle best-of-8 success on RoboCasa from 57.6% to 63.0%, improves fixed verifiers by 2.4 to 4.9 points in simulation, and raises TokenPB by up to 13.0 points on real-world manipulation.
- Abstract（参考訳）: テストタイムサンプリングは、1つのアクション予測を検証者が選択できる独立した実行可能候補のセットに変換することを約束する。
下流の微調整はその約束に反する。
1つのタスク分布を解くために訓練された視覚-言語-アクションモデルは、そのフローマッチングデコーダを支配的な実演行動の周りに集中させ、繰り返しサンプルはわずかに異なるだけであり、検証者は1つの決定の多くのコピーを受け取る。
繰り返しサンプルは、候補となる予算が増加するにつれて、非常に冗長なままになります。
Action Dynamic Smpling (ADS)は、トレーニング中に提案側の制約を緩和する。
各トレーニングステップにおいて、ADSは、新しいベースノイズの下で現在のポリシーから追加のトラジェクトリを$K$で統合し、ハッチンソントレース推定器でフローサポートによって各スコアをスコアし、切り離された有限集合KL項により、ポリシーの局所的な作用分布をこの重み付き集合に対して補正する。
トレーニングコストは上昇し、デプロイメントコストは変化しない。
シミュレーションと4つの物理ロボットタスクを通じて、ADSはガウスの摂動が引き起こす成功のペナルティをなくし、ロボカサの8つの成功を57.6%から63.0%に引き上げ、シミュレーションにおいて固定検証を2.4から4.9ポイント改善し、トケンPBを13.0ポイント引き上げる提案を提起した。
関連論文リスト
- Verify, Act, Distill: Turning Test-Time Compute into Test-Time Adaptation for Vision-Language-Action Models [0.688204255655161]
本稿では,TLCの利益をVLA自体に統合する枠組みを提案する。
我々は,実行時セレクタとしてではなく,学習信号として検証を使用することで,TTCの改良が維持されていることを示す。
論文 参考訳（メタデータ） (2026-10-10T12:57:58Z) - RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。
適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。
LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
論文 参考訳（メタデータ） (2026-10-08T15:49:03Z) - Controlled Decoding Attacks on Black-Box LLMs [68.46062477706256]
Methodは、繰り返しサンプリングとアシスタント-継続を可能にする、テキストのみの継続インターフェイスを通じてジェイルブレイクを行うためのフレームワークである。
Risk-Gated Residual Controlは、進化する応答プレフィックスを使用して、配布の再構築と修正をいつ行うかを決定する。
Speculative Multi-Token Executionは、介入を必要としないドラフトプレフィックスの検証と受け入れによって、さらにターゲットコールを償却する。
論文 参考訳（メタデータ） (2026-09-29T07:58:49Z) - The Fly That Stopped: Mushroom-Body-Inspired Habituation as a Reward-Free Scheduling Prior for Autonomous Penetration Testing [0.0]
ショウジョウバエのキノコ体新鮮処理に触発された無報酬スケジューラの評価を行った。
スパースステートエンコーディングと、構造的なURLクラスとツールファミリー上の崩壊する習慣カウンタを組み合わせる。
条件付きスケジューラは6つの非XSSターゲットペアの重複比率を下げた。
論文 参考訳（メタデータ） (2026-09-24T07:02:59Z) - Speculative Evaluation of Stochastic LLMs [48.902430583833585]
投機的評価は、短い一様パイロットと、タスク毎の成功回数のプールを実行する。
HBN-asyncは、部分的なパイロットフィードバックからの継続を投機的に実行し、最終的なアロケーションによって選択されたものを保持する。
1タスクあたり8-64のロールアウト予算では、投機的評価は、Uniformに対する分散を平均12.8%から33.6%削減する。
論文 参考訳（メタデータ） (2026-09-23T09:20:22Z) - On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。
そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。
SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
論文 参考訳（メタデータ） (2026-08-25T14:55:24Z) - ResiSpec: Enhancing Multi-Candidate Speculative Sampling via Residual Distribution Shaping [79.1905186547363]
ResiSpecは、検証中に提案の配布を戦略的に改革するフレームワークである。
候補の偏光を防止し、最先端のマルチ候補法よりも最大1.92$times$スピードアップを達成する。
論文 参考訳（メタデータ） (2026-08-25T11:25:55Z) - Verifier-Induced Support Reshaping in On-Policy Optimization [27.782412748608255]
検証可能な報酬(RLVR)によるオンライン強化学習は、現在の目標を改善できる一方で、後の目標に対する行動の成功は、サンプリングや強化が極めて稀であることを示す。
我々は、この検証者によるサポートの再構築と呼び、有効な報奨支援を、固定されたロールアウト予算内で到達可能な軌道として定義する。
論文 参考訳（メタデータ） (2026-07-31T19:05:43Z) - QuantWAMs: Calibrating at the Right Granularity for World Action Models [34.540026172139406]
World Action Modelsは、将来の観測とアクションを共同で予測するが、反復的なデノゲーションとクローズドループの実行は、デプロイメントにコストがかかる。
我々は,量子化決定をモデル構造,ロールアウト分布,タスク目標によって定義されたキャリブレーションコンテキストと整合するPTQフレームワークQuantWAMを提案する。
我々は,RoboTwin 2.0,LIBERO,AgiBot G2を用いた実ロボット操作において,Fast-WAMおよびLingBot-VA上のQuantWAMを評価した。
論文 参考訳（メタデータ） (2026-07-30T15:54:29Z) - PACE: Anytime-Valid Acceptance Tests for Self-Evolving Agents [0.0]
自己進化型エージェントは、自身のプロンプト、スキル、オーモーフィケーションの変更を繰り返し提案することで改善する。
Qwen2.5 のエージェント (0.5B-3B) が GSM8K, SVAMP, ARC-Challenge のプロンプトレベルで自己進化する際、greedy は 30-42% の偽陽性と 10-33% の有害な編集をコミットする。
PACEは実際のものをコミットし、グリーディのホールトアウトの精度を著しく低いばらつきと約18%低い評価コストで一致させる。
論文 参考訳（メタデータ） (2026-06-06T11:12:11Z) - Verified Critical Step Optimization for LLM Agents [67.05296684575445]
クリティカルステップ最適化は、検証されたクリティカルステップに優先学習を集中する。
メソッドは、専門家のデモンストレーションではなく、失敗するポリシーの軌道から始まります。
GAIA-Text-103とXBench-DeepSearchの実験では、CSOはSFTベースラインよりも37%、相対的に26%改善している。
論文 参考訳（メタデータ） (2026-02-03T11:41:02Z)
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。