論文の概要: EgoVine: Post-Training with Branching Experience Compiled from Real-World Videos

• arxiv url: http://arxiv.org/abs/2610.23907v1
• Date: Wed, 30 Sep 2026 07:04:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:37:17.158324
• Title: EgoVine: Post-Training with Branching Experience Compiled from Real-World Videos
• Title（参考訳）: EgoVine: 実世界のビデオからコンパイルしたブランチエクスペリエンスを備えたポストトライニング
• Abstract要約: EgoVineは、固定的なデモセットを長期計画のためのインタラクティブな体験に変換するポストトレーニングフレームワークである。 EgoVineは実世界のビデオアノテーションからコンパイルされた実行可能シンボリック環境で動作する。 共有ベンチマークでは、EgoVine-1.5Bはメインプランニングタスクで81.8%、長いタスクコンポジションで66.7%を達成している。
• 参考スコア（独自算出の注目度）: 52.726549895255914
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world egocentric videos capture multi-step household procedures, but their recorded trajectories leave alternative actions and recovery from the learner's own mistakes largely unexplored. We introduce EgoVine, a post-training framework that turns a fixed demonstration set into interactive experience for long-horizon planning. EgoVine operates in executable symbolic environments compiled from real-world video annotations, where an agent must coordinate object manipulations under partial observation and account for delayed consequences. Restoring a decision state allows the learner to explore alternative actions and compare their eventual outcomes. Union jointly trains action generation and consequence prediction in one model, using the same executions to supervise candidate comparison and recovery. Verified repairs add recovery targets from failed attempts, while comparisons among sampled continuations guide policy updates. The updated planner then returns to the environments, with its own decisions and mistakes shaping the next round of experience. On a shared benchmark, EgoVine-1.5B achieves 81.8% success on Main planning tasks and 66.7% on longer task compositions, outperforming all evaluated Flash LLM baselines on both. EgoVine connects real demonstrations to an iterative learning process that trains compact planners on choices and futures beyond the recorded trajectories.
• Abstract（参考訳）: 実世界のエゴセントリックなビデオは、多段階の家庭の手順を捉えているが、記録された軌跡は、学習者の過ちから代替行動や回復をほとんど未発見のまま残している。 EgoVineは、固定的なデモセットを長期計画のためのインタラクティブな体験に変換するポストトレーニングフレームワークである。 EgoVineは、実世界のビデオアノテーションからコンパイルされた実行可能なシンボル環境で動作し、エージェントは部分的な観察の下でオブジェクト操作を調整し、遅延した結果を説明する必要がある。 決定状態の復元は、学習者が代替行動を探り、最終的な結果を比較することを可能にする。 Unionはひとつのモデルでアクション生成と結果予測を共同で訓練し、同じ実行を使用して候補の比較とリカバリを監督する。 検証された修復は失敗した試みからリカバリターゲットを追加し、サンプル化された継続ポリシーの更新と比較する。 更新されたプランナーはその後環境に戻り、自身の決定と失敗によって次のラウンドの体験を形成する。 共有ベンチマークでは、EgoVine-1.5Bはメインプランニングタスクで81.8%、長いタスクコンポジションで66.7%を達成し、評価済みのFlash LLMベースラインを2つで上回っている。 EgoVineは実演を、録音された軌跡を越えて、コンパクトなプランナーに選択と未来を訓練する反復的な学習プロセスに結びつける。

関連論文リスト

• Second Thoughts: Exploring and Planning through Comparative Imagination in World Models [7.060248012897499]
  SDI (Sibling Disagreement in Imagination) を導入する。 SDIは、同じモデル状態から想像されるアクションシーケンスを比較し、アクター自身のシーケンスの繰り返しロールアウトを使用して、一定の振る舞いの下での変動を測定する。 SDIは、基本エージェントの世界モデル、アクター、批評家を、さらなる意見の相違なしに再利用する。
  論文  参考訳（メタデータ） (2026-10-20T18:12:07Z)
• Decoupling Action from Egocentric Observation for World Simulation [90.38609292843644]
  エゴセントリックな行動伝達は、エゴセントリックな観察からセマンティックな行動を切り離し、新しい視覚的文脈でそれらを再現することを目的としている。 本稿では,エゴセントリックな行動伝達のためのテストタイムフレームワークであるEgoACTについて紹介する。 EgoActionBenchは、多様なエゴセントリックな操作シナリオにおいて、アクションの保存、視覚的品質、手動の可視性を評価するためのベンチマークである。
  論文  参考訳（メタデータ） (2026-10-20T09:52:46Z)
• ReTTT: Reflection-Driven Test-Time Training via Experience-Based Parametric Memory [13.345272529669613]
  ReTTTは、エピソード内で構築され、継続的に修正されるレッスンに対するテストタイムトレーニングを通じて、経験駆動型の自己適応を可能にする。 ALFWorld,ScienceWorld,SWE-bench LiteのReTTTを2つのモデルファミリーを用いて評価した。
  論文  参考訳（メタデータ） (2026-10-08T04:47:31Z)
• Ego2World: Compiling Egocentric Cooking Videos into Executable Worlds for Belief-State Planning [49.28013800186945]
  Ego2Worldは、アノテートされた調理アクティビティを、部分的な観察の下で実行可能な計画環境に変換するベンチマークである。 コンパイラはソースステップとオブジェクトをシンボリックアクションルール、永続的な世界状態、明示的なタスク条件にリンクする。 世界国家とエージェントの信念は別々に維持され、計画と情報の再利用に関する制御された研究を可能にする。
  論文  参考訳（メタデータ） (2026-10-02T02:51:03Z)
• EgoTSR++: Egocentric Spatiotemporal Reasoning for Task Progress Understanding [51.078675806865306]
  VLM(Vision-Language Models)は、静的な視覚的理解において急速に進歩しているが、エゴセントリックなタスクがどのように進行しているかを判断しても信頼性が低い。 EgoTSR(EgoTSR)は,オーダーローバストなタスク・プログレス理解を診断・改善するための統合フレームワークである。
  論文  参考訳（メタデータ） (2026-09-23T09:20:44Z)
• Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning [53.77164209208635]
  本稿では,視覚的整合性と軌跡アライメントを用いて,より広い行動分布を探索するWorldEchoを紹介する。 本稿では,3つの軸に沿った行動(分布カバレッジ,表現的接地,介入効果のアライメント)を強化するWorldSyncを提案する。 RoboTwinベンチマークと実ロボットタスクの実験は、WorldSyncがWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能していることを示している。
  論文  参考訳（メタデータ） (2026-08-25T17:59:49Z)
• Ego2World: Compiling Egocentric Cooking Videos into Executable Worlds for Belief-State Planning [55.43343782036886]
  Ego2Worldは、エゴセントリックな調理動画を、グラフ遷移ルールによって管理される実行可能な象徴的世界に変換する実行可能なベンチマークである。 評価中、シミュレータは隠された世界グラフを保持し、エージェントはローカルな観測と実行フィードバックのみを使用して、独自の部分的信念グラフを計画する。 この分離により、エージェントは真の世界の状態を観察することなく、メモリとリプランを更新せざるを得なくなる。
  論文  参考訳（メタデータ） (2026-05-13T10:53:15Z)

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。