論文の概要: IMPULSE: Push First, Then Predict in V-JEPA 2 Feature Space

• arxiv url: http://arxiv.org/abs/2610.23968v1
• Date: Mon, 12 Oct 2026 08:42:53 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:00:05.003608
• Title: IMPULSE: Push First, Then Predict in V-JEPA 2 Feature Space
• Title（参考訳）: IMPULSE:V-JEPA 2の機能空間を最初にプッシュし、予測する
• Abstract要約: IMPULSEは、それが推論するインパルス応答にちなんで名付けられ、凍結したV-JEPA 2の特徴空間の予測器を同じ能力で提供する。 ベイジアン・コンタクト・メモリは3つの短いキャリブレーション・プッシュを要約し、予測対象のポーズは予測対象に、軽量なランダム・フーリエ・ポーズヘッドは予測対象のポーズを利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Latent world models such as V-JEPA 2 forecast in the feature space of a video encoder, but one look at an object does not reveal how hard it is to rotate, how much it bounces or how much it slides. People find out by trying: a few pokes reveal how an object responds. IMPULSE, named after the impulse response it infers, gives a predictor in frozen V-JEPA 2 feature space the same ability. A Bayesian contact memory summarizes three short calibration pushes, a predicted object pose carries it into the predictor, and a lightweight random-Fourier pose head lets the predictor use the pose. On 512 fresh objects, in a pre-specified held-out confirmation with models sealed before the data existed, the memory lowers the 1-second feature-forecast error by 11.6-12.8% relative to the same predictor without experience, for all 8 training seeds, with a 95% seed-and-object interval excluding zero. The gain also holds for 128 objects with out-of-range physics (11.7-14.0%), and the full extension beats a plain predictor by 15.5-16.6%. An information-ladder argument, exact for ideal predictors, shows that physics reaches the features only through motion, so we measure how much the pathway lets pose help. On fresh objects, the Fourier head roughly triples the gain of a perfect memory over plain pose tokens (2.8-3.2x). Raw push measurements fed through the same pathway give a similar gain, so the Bayesian summary is not required; it condenses the trials into eight interpretable numbers. The gain is absent at contact onset and grows afterwards.
• Abstract（参考訳）: V-JEPA 2のような後期世界モデルは、ビデオエンコーダの特徴空間で予測されるが、あるオブジェクトを見ると、回転がどれだけ難しいか、どれだけ跳ね返るか、どのくらいスライドするかは明らかにしない。 試してみると、いくつかのポークがオブジェクトがどのように反応するかを明らかにします。 IMPULSEは、それが推論するインパルス応答にちなんで名付けられ、凍結したV-JEPA 2の特徴空間の予測器を同じ能力で提供する。 ベイジアン・コンタクト・メモリは3つの短いキャリブレーション・プッシュを要約し、予測対象のポーズは予測対象に、軽量なランダム・フーリエ・ポーズヘッドは予測対象のポーズを利用する。 512個の新しいオブジェクトでは、データが存在する前に封印されたモデルで事前に特定された保持された確認において、メモリは、0を除いた95%のシード・アンド・オブジェクト間隔で、同じ予測子に対して1秒のフィーチャ・予測誤差を11.6-12.8%低下させる。 この利得は、外界物理学(11.7-14.0%)を持つ128個のオブジェクトも保持し、完全な拡張は15.5-16.6%の予測値を上回る。 理想的な予測器にぴったりのインフォメーション・ラダーの議論は、物理が運動によってのみ特徴に達することを示している。 新鮮な物体では、フーリエヘッドは平らなポーズトークン(2.8-3.2x)上で完全なメモリのゲインをおよそ3倍にする。 同じ経路で供給された生のプッシュ測定も同様の利得を与えるため、ベイズ的な要約は必要とせず、試行を8つの解釈可能な数に凝縮する。 接点が無くなり、その後成長する。

関連論文リスト

• Spacecraft Pose Tracking via Kinematic Prediction and Selective Event Correction [9.655330860632882]
  宇宙船の追跡では、イベントサポートの変更に伴い、短水平運動予測が引き続き利用可能である。 Observation-Aligned Event Innovation (OA-EI)は、この予測の選択したコンポーネントの修正にイベントを使用する。 7.7秒で、回転と翻訳の誤差は予測だけで41.63/57.28mmからOA-EIで15.73/22.41mmに減少する。
  論文  参考訳（メタデータ） (2026-10-14T02:46:18Z)
• SpaceCast-Bench: Evaluating Predictive Spatial Reasoning in Vision-Language Models [55.56557714314683]
  空間推論を直接的かつ診断的に評価する最初のベンチマークであるSpaceCastBenchを紹介する。 182の現実世界シーンからの質問は、静的認識、局所予測、グローバル予測という3つのレベルで16のタスクタイプにまたがる。 制御された解析により、ブリッジビューは分散観測の統合に重要であることが明らかになった。
  論文  参考訳（メタデータ） (2026-10-08T17:44:17Z)
• What Can Latent World Models Know? Physical Parameter Identifiability in Multimodal Predictive Representations [18.546826658944806]
  POKEWORLDは、視覚的に同一の物体が質量、抗力、接触硬さを隠す対話型環境である。 認証付きプロトコルは、まず、生の観測から回復可能な各パラメータを認証し、潜伏状態に入るかどうかを測定する。 RH20Tでは、2つのロボットと4,258エピソードにまたがって両方のメカニズムを再現する。
  論文  参考訳（メタデータ） (2026-07-29T15:15:30Z)
• Latent Clarity: Bridging World-Model Kinematics to Semantic Manifolds for Video Anomaly Anticipation [0.0]
  継続的ビデオ検出は、リアクティブなMIL(Multiple Instance Learning)によって支配され、機能がスコアに分解される。 本稿では,連続的な意味的世界モデルパイプラインであるPULS(Predictive Unified Latent Space)を紹介する。 この翻訳だけで、UCF-Crime のチャンクレベル AUROC は 0.8994 であり、MIL や階層融合のない分布外異常は 0.8162 である。
  論文  参考訳（メタデータ） (2026-07-03T18:47:54Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
  有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。 本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。 センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
  論文  参考訳（メタデータ） (2023-02-25T18:12:37Z)
• Panoptic Segmentation Forecasting [71.75275164959953]
  我々の目標は、最近の観測結果から近い将来の予測を行うことです。 この予測能力、すなわち予測能力は、自律的なエージェントの成功に不可欠なものだと考えています。 そこで我々は,2成分モデルを構築した。一方のコンポーネントは,オードメトリーを予測して背景物の力学を学習し,他方のコンポーネントは検出された物の力学を予測する。
  論文  参考訳（メタデータ） (2021-04-08T17:59:16Z)
• Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud Forecasting for Sequential Pose Forecasting [106.3504366501894]
  自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。 ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。 本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。 これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
  論文  参考訳（メタデータ） (2020-03-18T17:54:28Z)

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。