論文の概要: ALIGN: Aligning Condition Estimation and Expression in Advantage-Conditioned Behavior Cloning
- arxiv url: http://arxiv.org/abs/2610.26455v1
- Date: Mon, 19 Oct 2026 14:10:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 17:31:21.340909
- Title: ALIGN: Aligning Condition Estimation and Expression in Advantage-Conditioned Behavior Cloning
- Title（参考訳）: ALIGN:Advantage-Conditioned Behavior Cloningにおける条件推定と表現の調整
- Abstract要約: 本稿では,視覚言語対応政策のための条件整合型AC-BCフレームワークであるALIGNを紹介する。
我々は、ARX X5のボウルスタッキングとフランカキーハングのために、意図的に混合された実ロボットデータセット上でALIGNを評価する。
- 参考スコア（独自算出の注目度）: 11.299390203819906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human-collected robot manipulation data often mix successful behavior with retries, pauses, recoveries, and failures. Advantage-Conditioned Behavior Cloning (AC-BC) can exploit such mixed-quality data, but only if the conditioning signal is both accurately constructed from offline trajectories and effectively incorporated into the policy's action-vector-field prediction. Existing pipelines can weaken this signal by thresholding estimator-derived advantage scores into noisy conditions, and by routing conditions through prompts that weakly affect the action vector field. We introduce ALIGN, a condition-aligned AC-BC framework for vision-language-action policies. ALIGN directly predicts categorical pairwise conditions in the policy-facing label space and injects them into a DiT action expert through AdaRMS modulation fused with flow time. We evaluate ALIGN on deliberately mixed real-robot datasets for ARX X5 bowl stacking and Franka key hanging, each combining standard demonstrations with retry-heavy trajectories. ALIGN improves condition fidelity, strengthens conditional vector-field separability, and achieves 90.0% and 56.7% closed-loop success, compared with 56.7% and 33.3% for the strongest AC-BC baseline. These results indicate that aligning conditions from estimation to action prediction is an effective way to extract robust manipulation policies from data in which success, recovery and error coexist.
- Abstract（参考訳）: 人間の収集したロボット操作データは、成功した振る舞いをリトライ、一時停止、回復、失敗と混同することが多い。
Advantage-Conditioned Behavior Cloning (AC-BC) はそのような混合データを利用することができるが、条件付き信号がオフライン軌道から正確に構築され、ポリシーのアクションベクトル場予測に効果的に組み込まれている場合のみである。
既存のパイプラインは、推定器由来の利得スコアをノイズのある条件に閾値付けし、アクションベクトル場に弱い影響を与えるプロンプトを介してルーティングすることで、この信号を弱めることができる。
本稿では,視覚言語対応政策のための条件整合型AC-BCフレームワークであるALIGNを紹介する。
ALIGNはポリシー対応ラベル空間のカテゴリ的ペアワイズ条件を直接予測し、フロー時間と融合したAdaRMS変調によってDiTアクションエキスパートに注入する。
我々は,ARX X5カーボウスタッキングとフランカキーハングリングを意図的に混合した実ロボットデータセット上でALIGNを評価する。
ALIGNは条件の忠実性を改善し、条件のベクトル-フィールド分離性を高め、最強のAC-BCベースラインでは56.7%と33.3%に比べて90.0%と56.7%のクローズドループ成功を達成する。
これらの結果は、評価から行動予測への調整条件が、成功、回復、エラーが共存するデータから堅牢な操作ポリシーを抽出する有効な方法であることを示している。
関連論文リスト
- Calibration-Free Early Stopping for Chain-of-Thought Reasoning via E-processes [17.02677847334399]
既存のルールは、信頼や安定性の信号がしきい値を超えたときに停止するが、そのようなしきい値がモデルやデータセット間で転送されることは滅多にない。
我々は、推論軌道に沿ったシーケンシャルな証拠蓄積として適応的な停止を再構成した。
筆者らのフレームワークは,ゼロキャリブレーションデータを用いて,トークンの精度向上のために,キャリブレーションベースで停止する。
論文 参考訳（メタデータ） (2026-10-18T12:10:19Z) - Intrinsic-Extrinsic Coupling in Learning Dynamics [0.0]
制約付き学習状態介入の継続条件値を用いて本質的・外生的結合を定式化する。
我々は,地域の許容度,継続条件付き介入値,完全政治性能を区別する。
論文 参考訳（メタデータ） (2026-09-24T17:30:22Z) - FRAUDSkill: Structured Frozen-Weight Skill Optimization for Audio Anti-Fraud Detection [51.835490676337564]
大規模な音声言語モデルは、音声を直接処理し、詐欺関連の証拠を推論することで、反詐欺検出の可能性を示してきた。
既存の微調整とプロンプトベースのアプローチは、通常、タスクの知識、制約、決定ルールをモデルパラメータや手動で保守されたプロンプトにエンコードする。
本稿では,FRAUDSkillを提案する。FRAUDSkillは,プログラムの外部レイヤ,ルート固有のポリシー,決定ルールを最適化しながら,基礎となる音声モデルに変化を持たせる構造的フリーウェイト適応フレームワークである。
論文 参考訳（メタデータ） (2026-09-16T14:51:37Z) - PredVLA: Predictive Sensorimotor Modeling for Sub-Million-Parameter Robot Manipulation [4.55011976634859]
PredVLAは、トレーニング可能なネットワークパラメータがわずか0.68万で、ロボットデータの事前学習がない言語条件の予測符号化ポリシーである。
階層的なリカレントダイナミクスは視覚的特徴と固有受容を予測し、観察は予測エラー駆動オンライン推論によってのみ潜在状態に影響を与える。
論文 参考訳（メタデータ） (2026-08-27T06:27:11Z) - Implicit Drifting Policy: One-Step Action Generation via Conditional Expert Geometry [46.0185525503119]
Implicit Drifting Policy (IDP)は、ロボット制御のための一段階の模倣学習フレームワークである。
IDPは、明示的なベクトル場推定なしでポリシー学習にドリフトの訓練時間補正をもたらす。
論文 参考訳（メタデータ） (2026-05-31T08:39:57Z) - Causal Unlearning in Collaborative Optimization: Exact and Approximate Influence Reversal under Adversarial Contributions [2.5565719921628443]
フェデレートされた学習システムは、プライバシー規則に従うためにデータ削除要求をサポートしなければならない。
本稿では,クライアントのコントリビューションをKrylov部分空間の共役反復によって近似することで,クライアントのコントリビューションを除去する手法であるHF-KCUを提案する。
我々は、k がヘッセン条件数である場合、クリロフ近似誤差が O((k 1/2-1)/(k1/2+1) として減少することを示す収束保証を提供する。
論文 参考訳（メタデータ） (2026-05-19T18:00:39Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - TD3 with Reverse KL Regularizer for Offline Reinforcement Learning from
Mixed Datasets [118.22975463000928]
エージェントが複数の行動ポリシーをロールアウトすることで収集したデータセットから学習する必要があるオフライン強化学習(RL)について考察する。
1) RL信号の最適化と行動クローニング(BC)信号の最適なトレードオフは、異なる行動ポリシーによって引き起こされる行動カバレッジの変化によって異なる状態に変化する。
本稿では,TD3アルゴリズムに基づくBC正規化器として,適応重み付き逆KL(Kulback-Leibler)分散を用いることにより,両課題に対処する。
論文 参考訳（メタデータ） (2022-12-05T09:36:23Z) - Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。
本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。
シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z)
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。