論文の概要: ActTime: Action-Conditioned World Modeling for Time Series

• arxiv url: http://arxiv.org/abs/2610.25764v1
• Date: Mon, 19 Oct 2026 04:24:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:34:11.909434
• Title: ActTime: Action-Conditioned World Modeling for Time Series
• Title（参考訳）: ActTime: 時系列のためのアクション・コンディションド・ワールド・モデリング
• Abstract要約: 時系列モデルは、既知の将来の入力にますます条件を定めている。 モデルは、観察された同じ履歴から異なる行動の下で結果がどのように変化するかを予測しなければならない。 本稿では,時系列のアクション条件付き世界モデルであるActTimeを紹介する。
• 参考スコア（独自算出の注目度）: 21.995446383714363
• License:
• Abstract: Time-series models increasingly condition on known future inputs. In controlled systems, some of these inputs are actions that can be changed, compared, and optimized before execution. A model must therefore do more than predict the realized future: it must predict how outcomes change under different actions from the same observed history and support reliable comparison of candidate plans. We introduce ActTime, an action-conditioned world model for time series. Over the observed history, ActTime updates variable-specific latent states through an action-conditioned transition and corrects them using observations. It then rolls the same transition forward under candidate actions to generate future trajectories. Training uses only factual trajectories, without paired alternative-action outcomes or planning supervision. We construct a simulator-grounded evaluation suite across building energy, traffic, greenhouse climate, and inventory management, covering factual prediction, intervention-effect prediction, offline decision making, and closed-loop planning. ActTime ranks first in 12 of 16 domain-task settings. Across eight methods, the mean pairwise model-ranking reversal rate is 17.8% between factual prediction and intervention fidelity, and rises to 28.4% between intervention fidelity and decision ranking. These results show that factual accuracy, intervention fidelity, and decision quality are related but not interchangeable.
• Abstract（参考訳）: 時系列モデルは、既知の将来の入力にますます条件を定めている。 制御システムでは、これらの入力の一部は、実行前に変更、比較、最適化できるアクションである。 したがって、モデルが実現した未来を予測する以上のことを行う必要があり、同じ観測履歴から異なる行動の下で結果がどのように変化するかを予測し、候補計画の信頼できる比較をサポートする必要がある。 本稿では,時系列のアクション条件付き世界モデルであるActTimeを紹介する。 観測履歴を通じて、ActTimeはアクション条件付き遷移を通じて変数固有の潜時状態を更新し、観察を使用して修正する。 その後、同じ遷移を候補アクションの下で展開し、将来の軌道を生成する。 トレーニングは、代替行動の結果と計画監督のペアなしで、事実上の軌跡のみを使用する。 本研究では,建築エネルギー,交通,温室環境,在庫管理を対象とし,実際の予測,介入効果予測,オフライン意思決定,クローズドループ計画に関するシミュレータによる評価スイートを構築した。 ActTimeは16のドメインタスク設定のうち、12にランクインしている。 8つの手法で、平均対のモデルレベルの逆転率は、事実予測と介入忠実度の間に17.8%、介入忠実度と決定的ランキングの間に28.4%に達する。 これらの結果から, 事実的正確性, 介入の忠実度, 意思決定品質は関連性があるが, 交換不可能であることが示唆された。

関連論文リスト

• Beyond Action Prediction: Learning Search-Free Planning in Latent Space [32.44864607845711]
  Hindsight Inverse JEPA Planning(HIJP)は、トレーニング中の両方の側面に対処する検索不要のフレームワークである。 4つの視覚制御タスクの中で、HIJPは86.8%の成功と1.9-16.5倍の計画スピードアップを達成した。
  論文  参考訳（メタデータ） (2026-10-16T15:26:24Z)
• Unifying Policy Learning and State Prediction through Spatial Language Modeling [52.172884936392535]
  本研究では,シーンの輪郭,目標,行動目標,将来の状態を個別座標と意味トークンの共通語彙で表現する空間言語モデリングを提案する。 タスク固有の文法はこれらの要素を空間配列に整理し、1つの自己回帰変換器が行動生成と行動条件付き状態予測を学習できるようにする。 ランダム・プレイ・トランジション・プレトレーニングを駆使してモデルをスクラッチからトレーニングし、その後、専門家によるデモンストレーションで共同動作と状態トレーニングを行う。
  論文  参考訳（メタデータ） (2026-10-08T15:43:08Z)
• On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models [39.88832373182896]
  時系列世界モデル(TSWM)は、観測された履歴と計画された行動と入力から制御システムの状態を予測する。 実際のシステムのように、どの設計選択が重要か、そして正確な予測が変更計画に反応するかどうかを問う。 我々はTSWMに、凍結した潜伏空間と精度のための出力側融合のレシピと、メカニズムの整合性のトレーニング目標を与える。
  論文  参考訳（メタデータ） (2026-10-01T15:10:09Z)
• RolloutFaith: Auditing Persistent Internal Interventions in Visual World Model [11.942252550966641]
  解釈可能性法は、モデルの現在の計算を明らかにしたり、修正したりするように設計されている。 世界モデルは、それらの予測が後の予測への入力になるため、編集が停止した後、有用な内部修正が生き残らなければならない。 このフレームワークは、介入時の予測と、固定されたイベント、アクション、ノイズ、情報予算の下での後の自律予測の両方において意味的改善を測定する。
  論文  参考訳（メタデータ） (2026-09-29T06:54:31Z)
• Recommendation World Models for Future-State Control [53.191633845200876]
  我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。 UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。 本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
  論文  参考訳（メタデータ） (2026-09-25T02:37:48Z)
• EditWM: Event-Decomposed World Modeling with Incremental Correction for End-to-End Autonomous Driving [9.924850385275638]
  今後の予測を通常の進化とイベント駆動インクリメンタルな修正に分解する世界モデルであるEditWMを提案する。 補正デコーダは、この予測を観測履歴と計画された動作と比較し、有界な特徴更新を生成する。 12,146のNAVSIMナヴテストシーン全体で、専門家による評価では、通常のシーンよりも将来のMSEが5.35%減少している。
  論文  参考訳（メタデータ） (2026-09-15T14:47:01Z)
• World Models for Embodied Intelligence: From Plausible to Controllable to Actionable [100.13060753774657]
  世界モデルは、隠れた状態を維持し、結果を予測し、介入を比較し、実行が期待から外れたときに適応することによって、インテリジェンスにおける知覚と意思決定を結びつける。 これは、どの予測能力が振る舞いを改善するかという、中心的な疑問を提起する。 可塑性モデルは、タスク関連時間的・幾何学的・物理的構造を保存し、制御可能なモデルは、介入がどのように構造を変えるかを予測し、アクション可能なモデルは、予測を計画、行動、学習、評価、検証、回復、データ選択において測定可能な利得に変換する。
  論文  参考訳（メタデータ） (2026-09-15T06:22:42Z)
• Feedback World Model Enables Precise Guidance of Diffusion Policy [36.965417653906535]
  本稿では,推定時刻における予測と観測のループを閉じる新たなパラダイムであるフィードバック・ワールド・モデルを提案する。 本手法は,分布シフト時の予測精度とポリシー性能を大幅に向上することを示す。 特に、世界モデルの予測誤差を最大76.4%削減し、アウト・オブ・ディストリビューション(OOD)の成功率を30%改善する。
  論文  参考訳（メタデータ） (2026-05-15T07:52:13Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)

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。