論文の概要: Learning to Be Different: Component Specialization for Compositional Diffusion Policies

• arxiv url: http://arxiv.org/abs/2610.27194v1
• Date: Mon, 19 Oct 2026 19:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.480762
• Title: Learning to Be Different: Component Specialization for Compositional Diffusion Policies
• Title（参考訳）: 異なることを学ぶ:構成拡散政策のためのコンポーネントスペシャライゼーション
• Abstract要約: 線形合成スコアによる拡散ポリシーは、マルチタスクロボット学習への有望なアプローチとして現れている。 本稿では,プロジェクティブ・コンポジション理論によって動機付けられたスコア-デコレーション補助損失について提案する。 本手法は,成分雑音予測の重なりをペナルティ化し,特殊化を促進する。
• 参考スコア（独自算出の注目度）: 44.55462237290855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion policies with linearly composed scores have emerged as a promising approach to multitask robotic learning by combining separate factors to enable modular, task-wise adaptation, compositional generalization, and interpretable functional decomposition. However, current training objectives do not encourage factor specialization, often resulting in uninterpretable denoisers whose composed prediction is an average over identical copies, undermining their architectural premise. To address this, we propose a drop-in score-decorrelation auxiliary loss, motivated by projective composition theory. Our approach encourages specialization by penalizing overlap directly between component noise predictions, with little architectural change or computational overhead. We demonstrate across multiple benchmarks that our decorrelation loss consistently reduces measurable double-counting between components, improves task decomposition, and produces behaviorally meaningful specialization without compromising multitask performance. Website: https://al3cl1.github.io/robotics-score-decorrelation.
• Abstract（参考訳）: 線形合成されたスコアによる拡散ポリシーは、モジュール化、タスクワイド適応、構成一般化、解釈可能な機能分解を可能にするために、個別の要素を組み合わせることで、マルチタスクロボット学習への有望なアプローチとして現れてきた。 しかし、現在の訓練目的は因子の特殊化を奨励せず、しばしば、構成された予測が同一のコピーよりも平均的な解釈不能なデノイザーを生じさせ、アーキテクチャの前提を損なう。 そこで本研究では,プロジェクティブ・コンポジション理論によって動機付けられたスコア-デコリレーション補助損失を減少させる手法を提案する。 提案手法は,アーキテクチャ上の変化や計算上のオーバーヘッドが少なく,コンポーネントのノイズ予測と直接的に重なり合うようにすることで,特殊化を促進する。 複数のベンチマークで、デコリレーション損失はコンポーネント間の測定可能な倍数化を一貫して減少させ、タスクの分解を改善し、マルチタスク性能を損なうことなく、行動に意味のある特殊化を生み出すことを実証した。 ウェブサイト:https://al3cl1.github.io/robotics-score-decorrelation

関連論文リスト

• MM-LeJEPA: Correlated Gaussian Regularization for Multimodal Joint-Embedding Predictive Architectures [50.784615468964176]
  LeJEPAは、そのタスク仮定の下で、フィッシャー情報基準を最小化することで、等方的ガウス埋め込みターゲットを導出する。 我々は,LJEPAのタスク仮定をマルチモーダル学習に拡張することでMM-LeJEPAを導入する。
  論文  参考訳（メタデータ） (2026-10-17T13:20:43Z)
• Diagnosing the Sources of Compositional Failure in Vision-Language Models: A Controlled Analysis [4.815168382502417]
  87Kイメージキャプション対における合成積分のコストを定量化する。 各スキルは、主に独自のプリミティブ型をカウントして分解される。 これらの結果から, 構成劣化は, 結合推論のみに還元できない複数の分離因子を反映していることが示唆された。
  論文  参考訳（メタデータ） (2026-09-25T16:09:42Z)
• OSDTW: Optimal Shared Depth and Task Weighting for Long-Tailed Recognition [12.869661291857843]
  長い尾の認識は、絶え間なく頭尾のトレードオフに悩まされる。 本稿では,従来の単一ラベル認識問題をヘッドタスクとテールタスクに分割する,基本的タスク分割フレームワークを提案する。 結果のKullback-Leibler分散に基づく一般化誤差は、加法定数までのタスクワイズ項の和として記述できることを示す。
  論文  参考訳（メタデータ） (2026-05-24T09:48:02Z)
• Decomposing Task Vectors for Refined Model Editing [21.799465464971092]
  本稿では,各タスクベクトルを2つのコンポーネントに分割する原理的分解法を提案する。 射影にまたがる不変部分空間を同定することにより、我々の手法は概念操作をより正確に制御できる。
  論文  参考訳（メタデータ） (2025-12-27T07:53:44Z)
• Variational Task Vector Composition [53.476598858325985]
  本稿では,構成係数を潜在変数とみなし,ベイズ推定フレームワークで推定する変動タスクベクトル合成を提案する。 タスクベクトルにおける構造的冗長性の観測に動機付けられ,空間性を促進するスパイク・アンド・スラブ前処理を導入する。 本研究では, 構成係数を不確実性と重要度の両方に基づいてフィルタすることにより, 制御可能な後部構造を構築するゲートサンプリング機構を開発した。
  論文  参考訳（メタデータ） (2025-09-21T02:46:02Z)
• AdaRank: Adaptive Rank Pruning for Enhanced Model Merging [23.649762835129167]
  モデルマージは、独立して微調整されたモデルを統合されたフレームワークに統合するための有望なアプローチとして現れている。 AdaRankは、タスクベクトルの最も有用な特異な方向を適応的に選択し、複数のモデルをマージする新しいモデルマージフレームワークである。 AdaRankは、さまざまなバックボーンとタスク数で一貫して最先端のパフォーマンスを実現し、微調整されたモデル間のパフォーマンスギャップを1%近く削減している。
  論文  参考訳（メタデータ） (2025-03-28T06:49:06Z)
• Mitigating the Effect of Incidental Correlations on Part-based Learning [50.682498099720114]
  部分ベースの表現は、より解釈可能で、限られたデータでより一般化できる。 パートベース表現のための2つの革新的な正規化手法を提案する。 我々は、ベンチマークデータセット上の数ショットの学習タスクに対して、最先端(SoTA)パフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-09-30T13:44:48Z)
• Joint Training of Deep Ensembles Fails Due to Learner Collusion [61.557412796012535]
  機械学習モデルのアンサンブルは、単一のモデルよりもパフォーマンスを改善する強力な方法として確立されている。 伝統的に、アンサンブルアルゴリズムは、ジョイントパフォーマンスの最適化を目標として、ベースラーナーを独立または逐次訓練する。 アンサンブルの損失を最小化することは、実際にはほとんど適用されないことを示す。
  論文  参考訳（メタデータ） (2023-01-26T18:58:07Z)
• A Unified Framework of Surrogate Loss by Refactoring and Interpolation [65.60014616444623]
  勾配勾配を有する深層ネットワークのトレーニングにおいて,サロゲート損失を発生させる統一フレームワークUniLossを導入する。 3つのタスクと4つのデータセットに対するUniLossの有効性を検証する。
  論文  参考訳（メタデータ） (2020-07-27T21:16:51Z)

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。