論文の概要: Grid or Nodes? Probing Object Memory in World Models Under Partial Observability

• arxiv url: http://arxiv.org/abs/2610.18637v1
• Date: Tue, 13 Oct 2026 16:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:21:28.86117
• Title: Grid or Nodes? Probing Object Memory in World Models Under Partial Observability
• Title（参考訳）: グリッドかノードか? 部分的可観測性の下での世界のモデルにおけるオブジェクトメモリの探索
• Abstract要約: FloWMは、カメラの視界を離れる物体を記憶する学習された世界モデルである。 ノードメモリは代わりに各オブジェクトの位置と速度を数値として保持する。 シングルセルプローブは、外界ブロックの66%、FloWM独自のプローブは89%である。
• 参考スコア（独自算出の注目度）: 14.306378665148914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A robot's world model must remember objects that leave the camera's view. FloWM, a learned world model, keeps them in a spatial grid of features that it moves with five built-in velocities. A node memory instead keeps each object's position and velocity as numbers. We compare them in FloWM's own block world, with an oracle-fed Kalman tracker as the node memory. How the grid is read changes its score: a single-cell probe finds 66% of out-of-view blocks, while FloWM's own probe 89%. FloWM also scores 8 points higher in view although no frame is shown, which we attribute to its write-back of its own predictions. Out of view, the tracker reaches FloWM's range in 14KB against 5.6MB, with no probe. On diagonal motion, outside its five velocities, FloWM finds 11% of blocks even after fine-tuning, while the unchanged tracker keeps 93%. Faster blocks defeat both until one more allowed speed takes the tracker to 94%, where FloWM's built-in shifts would need 25 copies of its grid. A learned node memory must still replace the oracles and handle velocity under noise, long gaps, and the bounce.
• Abstract（参考訳）: ロボットの世界モデルは、カメラの視界を残した物体を記憶しなければならない。 学習した世界モデルであるFloWMは、それを5つの内蔵速度で移動する特徴の空間グリッドに保持する。 ノードメモリは代わりに各オブジェクトの位置と速度を数値として保持する。 我々はこれらをFloWMのブロックワールドで比較し、ノードメモリとしてオラクルフィードのカルマントラッカーと比較した。 シングルセルプローブは66%のアウトオブオブビューブロックを見つけ、FloWM自身のプローブは89%である。 FloWMはフレームは表示されていないものの、視界で8ポイント高く評価する。 視界外では、トラッカーは14KBのFloWMの範囲に5.6MBで到達し、プローブは搭載されない。 対角運動では、5つの速度の外側で、FloWMは微調整後も11%のブロックを見つけ、変化のないトラッカーは93%を保持している。 FloWMのビルトインシフトは25コピーのグリッドを必要とするため、より高速なブロックはトラッカーの速度を94%に抑えるまで両方を倒す。 学習したノードメモリは依然としてオラクルを置き換える必要があり、ノイズ、長いギャップ、バウンスの下での速度を処理する必要がある。

関連論文リスト

• OCC4M: Object-Centric 4D Memory for Spatiotemporal Reasoning in Long-Horizon Manipulation [4.625296998318167]
  ロングホライゾンの操作は、しばしば、現在の視点にはない時間的状態の推論を必要とする。 本稿では,オブジェクト中心の4DメモリであるOCC4Mについて述べる。 視覚言語モデルは、この構造化メモリをクエリして、履歴のない低レベル実行のための実行可能なターゲットを選択する。
  論文  参考訳（メタデータ） (2026-09-23T21:23:31Z)
• How Much Velocity Does Off-Ball Space Value Need? A Broadcast-Viewport Benchmark [0.9185901163605424]
  速度対応のピッチコントロールは標準だが、ブロードキャストビューポートではプレイヤーの半分がオフスクリーンである。 球面外解析速度の層がどの層に変化するかを問う。 速度を意識した地上の真実に対して,計算,制御面,チームの評価という3つのレイヤで4つの速度レギュレーションをスコア付けする。
  論文  参考訳（メタデータ） (2026-09-09T20:10:24Z)
• On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
  Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。 トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
  論文  参考訳（メタデータ） (2026-08-31T06:35:07Z)
• StreamDAM: Presence-Aware Memory for Real-Time Streaming Video Object Segmentation [8.049753893207559]
  Methodは最強のストリーミングトラッカーであり、オフラインモデルの精度のほぼ全てをクロック下で回復し、最も厳しいコンテンツは、構築したオフラインモデルを超える。
  論文  参考訳（メタデータ） (2026-08-04T16:40:02Z)
• A Modern Multimodal Assistant on a 6 GB 2011 GPU: Stage-Validated, All-GPU CUDA Inference for Fermi [0.0]
  このレポートはハードウェアを維持し、適合するモデルに何ができるかを尋ねる。 SigLIP2エンコーダとウィンドウアテンションマージを組み合わせた,現代的なマルチモーダルアシスタントであるMini-V-4.6をデプロイする。 システムは、画像質問のエンドツーエンドを1.7秒で答える。
  論文  参考訳（メタデータ） (2026-07-16T04:48:44Z)
• ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
  LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。 ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-26T20:39:19Z)
• FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness [80.3586155104237]
  FlashAttentionは、トランスフォーマーのためのIO対応の正確な注意アルゴリズムである。 これにより、GPU高帯域メモリ(HBM)とGPUオンチップ間のメモリ読み込み/書き込み数を削減できる。 FlashAttentionとブロックスパース FlashAttentionは、トランスフォーマーのコンテキストを長くすることを可能にする。
  論文  参考訳（メタデータ） (2022-05-27T17:53:09Z)
• ByteTrack: Multi-Object Tracking by Associating Every Detection Box [51.93588012109943]
  マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 ほとんどの方法は、スコアがしきい値よりも高い検出ボックスを連想させることでアイデンティティを得る。 本稿では,BYTEと呼ばれるシンプルで効果的で汎用的なアソシエーション手法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:01:26Z)
• DMV: Visual Object Tracking via Part-level Dense Memory and Voting-based Retrieval [61.366644088881735]
  DMVと呼ばれる部分レベル高密度メモリと投票ベースの検索による新しいメモリベースのトラッカーを提案する。 また,メモリの信頼できない情報をフィルタリングする新たな投票機構を提案する。
  論文  参考訳（メタデータ） (2020-03-20T10:05:30Z)

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。