論文の概要: Progress-Guided Preference Generation for Aligning Generative Control Policies

• arxiv url: http://arxiv.org/abs/2610.25692v1
• Date: Mon, 19 Oct 2026 02:38:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:02:37.196853
• Title: Progress-Guided Preference Generation for Aligning Generative Control Policies
• Title（参考訳）: ジェネレーティブ・コントロール・ポリシーの調整のためのプログレッシブガイドによる選好生成
• Abstract要約: 生成ポリシーは模倣学習タスクにおいて高いパフォーマンスを達成してきたが、その成功はしばしば専門家によるデモンストレーションの可用性の制限によって制限されている。 本稿では,非教師付き優先調整フレームワークであるプログレッシブガイド型優先生成(PGPG)について紹介する。
• 参考スコア（独自算出の注目度）: 25.077399867994114
• License:
• Abstract: Generative policies have achieved strong performance in imitation learning tasks, but their success is often constrained by the limited availability of expert demonstrations. Although preference-based fine-tuning can leverage suboptimal rollouts to improve performance, existing approaches heavily rely on expensive human annotations. In this work, we introduce Progress-Guided Preference Generation (PGPG), an unsupervised preference alignment framework that eliminates the need for human-in-the-loop supervision. Our method leverages ordered coverage alignment to measure sequential progress relative to a small set of expert demonstrations, enabling the automatic extraction of pseudo-preference labels from autonomously collected rollouts. Furthermore, we introduce key enhancements to improve the reliability of these progress-guided preferences, enabling effective fine-tuning of pretrained generative policies without requiring manually designed reward functions. Extensive experiments across a suite of challenging long-horizon manipulation tasks demonstrate that PGPG outperforms standard supervised fine-tuning baselines. Moreover, our conceptually simple framework is broadly applicable across multiple classes of generative policies, demonstrating strong versatility when integrated with both diffusion and flow-matching policies.
• Abstract（参考訳）: 生成ポリシーは模倣学習タスクにおいて高いパフォーマンスを達成してきたが、その成功はしばしば専門家によるデモンストレーションの可用性の制限によって制限されている。 好みに基づく微調整は、パフォーマンスを改善するために最適でないロールアウトを活用することができるが、既存のアプローチは高価な人間のアノテーションに大きく依存している。 本研究では,非教師付き優先アライメントフレームワークであるプログレッシブガイド型優先生成(PGPG)を導入する。 提案手法は,少数の専門家によるデモンストレーションに対して,順序付きカバレッジアライメントを利用して逐次進行を計測し,自律的に収集したロールアウトから擬似参照ラベルを自動的に抽出する。 さらに,手動で設計した報酬関数を必要とせず,事前学習した生成ポリシーを効果的に微調整することが可能となる。 PGPGが標準的な教師付き微調整ベースラインより優れていることを示す。 さらに,本フレームワークは多種多様な生成ポリシーのクラスにまたがって広く適用でき,拡散とフローマッチングの両ポリシーを統合した場合に,強力な汎用性を示す。

関連論文リスト

• Higher-Order Action Supervision Makes A Strong Policy Class [25.41535931001401]
  ゼロと1次の両方のアクションを監督することは、ポリシーのパフォーマンスを劇的に向上させ、ロバスト性を制御することを示します。 提案手法は,広範囲のオフラインRLフレームワークとシームレスに連携する軽量なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2026-10-08T03:32:42Z)
• OGPO: Sample Efficient Full-Finetuning of Generative Control Policies [53.42266064673132]
  ジェネレーティブコントロールポリシー(GCP)は、ロボット学習に有効なパラメータ化として登場した。 この研究は、GCPを微調整するためのサンプル効率であるOGPO(Off-policy Generative Policy Optimization)を導入している。 OGPOはマルチタスク設定、高精度挿入、デクスタラス制御にまたがる操作タスクにおける最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-05-04T18:36:40Z)
• GRPO-Guard: Mitigating Implicit Over-Optimization in Flow Matching via Regulated Clipping [63.33669214116784]
  GRPO-Guardは、既存のGRPOフレームワークのシンプルで効果的な拡張である。 PPOクリッピングが有害な更新を適切に制限することを保証するため、バランスとステップ一貫性の重要度を回復する。 重いKL正則化に頼ることなく、暗黙の過最適化を実質的に緩和する。
  論文  参考訳（メタデータ） (2025-10-25T14:51:17Z)
• Compose Your Policies! Improving Diffusion-based or Flow-based Robot Policies via Test-time Distribution-level Composition [52.232968183793986]
  General Policy Composition (GPC) は、複数の事前学習されたポリシーの分布スコアを組み合わせることで、パフォーマンスを向上させる訓練のない手法である。 GPCは、さまざまなタスクセットにおけるパフォーマンスと適応性を一貫して改善します。
  論文  参考訳（メタデータ） (2025-10-01T16:05:53Z)
• Prior-Guided Diffusion Planning for Offline Reinforcement Learning [5.819784482811376]
  Prior Guidance(PG)は、行動閉ざされた拡散モデルに先立って標準ガウスを置き換えた新しいサンプリングフレームワークである。 我々は,潜時空間における行動規則化を適用した効率的なトレーニング戦略を提案し,PGが多種多種多種多種多種多種多様オフラインRLベンチマークにおいて最先端拡散ポリシーやプランナーより優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2025-05-16T05:39:02Z)
• Direct Preference Optimization for Primitive-Enabled Hierarchical Reinforcement Learning [75.9729413703531]
  DIPPERは階層的な政策学習を二段階最適化問題として定式化する新しいHRLフレームワークである。 DIPPERは、スパース報酬シナリオにおいて、最先端のベースラインよりも最大40%改善されていることを示す。
  論文  参考訳（メタデータ） (2024-11-01T04:58:40Z)
• An Efficient Continuous Control Perspective for Reinforcement-Learning-based Sequential Recommendation [14.506332665769746]
  本稿では,UnderlinetextbfEfficient UnderlinetextbfContinuous UnderlinetextbfControl framework (ECoC)を提案する。 まず、統計的に検証された仮定に基づいて、正規化されたユーザとアイテム空間から抽象化された新しい統一されたアクション表現を提案する。 このプロセスでは、統合された行動の観点から戦略的な探索と方向性の制御が慎重に設計され、最終的な勧告決定に不可欠である。
  論文  参考訳（メタデータ） (2024-08-15T09:26:26Z)

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。