論文の概要: What Would Removing This Corruption Change? Failure Attribution for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.27277v1
• Date: Mon, 19 Oct 2026 20:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.499392
• Title: What Would Removing This Corruption Change? Failure Attribution for Vision-Language-Action Models
• Title（参考訳）: この破壊的変化を取り除くものは何か? : ビジョン・ランゲージ・アクション・モデルにおける失敗の帰結
• Abstract要約: 現場と汚職の別々な表現を学習する要因化リスクモデルを導入する。 シミュレーションでは OpenVLA と $_0.5$ ,フランカロボットでは $_0.5$-DROID について検討した。
• 参考スコア（独自算出の注目度）: 16.62052896353537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) models are sensitive to visual corruptions, but knowing that a corruption is typically harmful does not establish whether removing it would benefit the current episode. Furthermore, when several corruptions co-occur, deciding what to correct requires understanding which ones contribute to failure risk and how much their removal would help. We define this problem as failure attribution. Detecting corruption presence alone cannot answer this question, as corruptions can be present but relatively harmless, while directly measuring removal benefits requires costly paired policy rollouts with and without the corruption present. To address this, we introduce a factorized risk model that learns separate representations of the scene and corruptions, allowing us to estimate removal benefits through latent intervention from the current image and task instruction, without paired clean images or additional counterfactual rollouts. We evaluate our approach on OpenVLA and $π_{0.5}$ in simulation and $π_{0.5}$-DROID on a Franka robot. Our method outperforms monolithic and vision-language-model (VLM) baselines, including achieving approximately 3x lower attribution error than frontier VLMs. We also demonstrate our method adapts to execution context and corruption intensity, and can be used for online failure monitoring on hardware.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは視覚的な汚職に敏感であるが、汚職が一般的に有害であることを知ることは、その除去が現在のエピソードに利益をもたらすかどうかを定めていない。 さらに、いくつかの汚職が共起すると、何が正しいかを決めるには、どれが失敗のリスクに寄与するか、その除去がどれだけ役に立つかを理解する必要がある。 私たちはこの問題を失敗の帰属と定義します。 汚職の存在を検出するだけではこの質問に答えることはできないが、汚職は存在するが比較的無害である。 これを解決するために、シーンと汚職の別々な表現を学習する分解リスクモデルを導入し、クリーンな画像や追加の反事実的なロールアウトを伴わずに、現在の画像とタスク命令からの潜時的介入による除去効果を推定する。 シミュレーションでは OpenVLA と $π_{0.5}$-DROID を,Franka ロボットでは $π_{0.5}$-DROID で評価した。 提案手法はモノリシックおよび視覚言語モデル(VLM)のベースラインを上回り,フロンティアVLMよりも約3倍低い属性誤差を実現する。 また,本手法は,実行状況や破損強度に適応し,ハードウェア上でのオンライン障害監視に使用できることを示す。

関連論文リスト

• Communication-Corruption Coupling and Verification in Cooperative Multi-Objective Bandits [2.1772197319352498]
  敵の汚職と限定的検証の下で,ベクトル値の報奨を伴う協調的多腕包帯について検討した。 固定環境サイドの予算$$は、$$から$N$までの効果的な汚職レベルに変換できることを示す。 さらに、避けられない追加的な$()$ペナルティや、クリーンな情報なしではサブ線形後悔が不可能な高破壊体制$=(NT)$など、情報理論の限界を確立する。
  論文  参考訳（メタデータ） (2026-01-17T06:13:52Z)
• Corruption-Robust Linear Bandits: Minimax Optimality and Gap-Dependent Misspecification [17.288347876319126]
  線形バンディットでは、学習者が腐敗した報酬に直面するとき、効果的に学習できるのか? 汚職レベルは学習者が選択した行動に依存するが、汚職レベルは学習者が選択した行動に依存しない。 線形包帯については, 強い汚職と弱い汚職下でのミニマックス後悔のギャップを, 完全に特徴づける。
  論文  参考訳（メタデータ） (2024-10-10T02:01:46Z)
• Towards Robust Model-Based Reinforcement Learning Against Adversarial Corruption [60.958746600254884]
  本研究は、モデルベース強化学習(RL)における敵対的腐敗の課題に取り組む。 本稿では,MLE に対する不確実性重みとして全変量 (TV) に基づく情報比を利用する,汚損楽観的 MLE (CR-OMLE) アルゴリズムを提案する。 我々は、重み付け手法をオフライン設定にまで拡張し、汚損性悲観的MLE (CR-PMLE) というアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T07:27:30Z)
• Corruption-Robust Offline Reinforcement Learning with General Function Approximation [60.91257031278004]
  一般関数近似を用いたオフライン強化学習(RL)における劣化問題について検討する。 我々のゴールは、崩壊しないマルコフ決定プロセス(MDP)の最適方針に関して、このような腐敗に対して堅牢で、最適でないギャップを最小限に抑える政策を見つけることである。
  論文  参考訳（メタデータ） (2023-10-23T04:07:26Z)
• Corruptions of Supervised Learning Problems: Typology and Mitigations [11.294508617469905]
  我々は情報理論の観点から汚職の一般的な理論を発展させる。 ここでは確率分布の変化に注目します。 この研究は、ラベルと属性の両方に対する共同や依存的な汚職から生じる複雑さに光を当てている。
  論文  参考訳（メタデータ） (2023-07-17T16:57:01Z)
• Frequency-Based Vulnerability Analysis of Deep Learning Models against Image Corruptions [48.34142457385199]
  MUFIAは、モデルが失敗する可能性のある特定の種類の汚職を特定するために設計されたアルゴリズムである。 最先端のモデルでさえ、既知の一般的な汚職に対して堅牢であるように訓練されたモデルでさえ、MUFIAによって作られた低視認性ベースの汚職と戦っている。
  論文  参考訳（メタデータ） (2023-06-12T15:19:13Z)
• Linear Contextual Bandits with Adversarial Corruptions [91.38793800392108]
  本稿では,敵対的腐敗の存在下での線形文脈的包帯問題について検討する。 逆汚染レベルに適応する分散認識アルゴリズムをC$で提案する。
  論文  参考訳（メタデータ） (2021-10-25T02:53:24Z)

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。