論文の概要: World Models with Configurable Perception

• arxiv url: http://arxiv.org/abs/2610.27914v1
• Date: Tue, 20 Oct 2026 09:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.742736
• Title: World Models with Configurable Perception
• Title（参考訳）: 構成可能な知覚を持つ世界モデル
• Abstract要約: 実世界の観測は騒々しく、しばしば過剰なタスク関連情報を含む。 本稿では,タスク条件付き状態抽出による認識を実現するConfigWMを紹介する。 環境におけるConfigWMの評価を行った。
• 参考スコア（独自算出の注目度）: 27.504417632394205
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world observations are noisy and often contain excessive task-irrelevant information. Effective world modeling and planning need to abstract observations into world state representations while filtering out irrelevant information. However, encoders in existing world models are typically non-adaptive, leading to state representations that are easily distracted by task-irrelevant information. As a result, the model may not selectively filter observations to cater to different task demands. To address this problem, we introduce ConfigWM, which realizes configurable perception through task-conditioned state extraction. Given a language description of the task at hand, ConfigWM uses it as a configuration signal to steer how visual embeddings are mapped into a task-specific state space, selectively preserving information relevant to the current task while suppressing task-irrelevant variations. Action-conditioned dynamics are then learned in this task-specific state space for planning. We evaluate ConfigWM in environments with increasing levels of distraction. While existing methods exhibit substantial declines in planning success rate as the environments become increasingly noisy, ConfigWM remains comparatively stable and outperforms the strongest competing method by 22.3% on average across diverse environments. Consistent gains in physical-quantity probing (+0.365 Pearson r) and distracted-to-clean retrieval (+75.5%) further indicate that ConfigWM learns states that preserve task-relevant information while remaining robust to distractors, supporting reliable world modeling and planning in noisy worlds. Project Page: https://configwm.github.io
• Abstract（参考訳）: 実世界の観測は騒々しく、しばしば過剰なタスク関連情報を含む。 効果的な世界モデリングと計画には、無関係な情報をフィルタリングしながら、世界状態の表現に観察を抽象化する必要がある。 しかし、既存の世界モデルのエンコーダは一般に非適応的であり、タスク非関連情報によって容易に邪魔される状態表現に繋がる。 結果として、モデルは異なるタスク要求に対応するために観察を選択的にフィルタリングすることができない。 この問題に対処するために,タスク条件付き状態抽出による構成可能な認識を実現するConfigWMを導入する。 タスクの言語記述が手元にある場合、ConfigWMはタスク固有の状態空間にどのように視覚的な埋め込みをマッピングするかを判断するために設定信号として使用し、タスク関連のバリエーションを抑えながら、現在のタスクに関連する情報を選択的に保存する。 アクション条件付きダイナミクスは、計画のためのタスク固有の状態空間で学習される。 環境におけるConfigWMの評価を行った。 既存の手法は、環境が騒々しさを増すにつれて、計画の成功率を大幅に低下させるが、ConfigWMは比較的安定しており、様々な環境における平均22.3%の競合方法を上回っている。 物理量探索 (+0.365 Pearson r) と散逸したクリーン検索 (+75.5%) の連続的な増加により、ConfigWM はタスク関連情報を保持しながら、ノイズの多い世界での信頼性のある世界モデリングと計画をサポートすることを学習している。 Project Page: https://configwm.github.io

関連論文リスト

• LOCA-bench: Benchmarking Language Agents Under Controllable and Extreme Context Growth [32.1520194112537]
  大規模言語モデル(LLM)は、長期の現実世界のタスクを実行する能力がますます高まっている。 文脈の量が増えるにつれて、その信頼性はしばしば悪化し、これは"context rot"と呼ばれる現象である。
  論文  参考訳（メタデータ） (2026-02-08T13:20:39Z)
• FOUNDER: Grounding Foundation Models in World Models for Open-Ended Embodied Decision Making [32.050134958163184]
  ファンデーションモデル(FM)とワールドモデル(WM)は、異なるレベルでタスクの一般化において補完的な強みを提供する。 本稿では、FMに埋め込まれた一般化可能な知識とWMの動的モデリング機能を統合するフレームワークであるFOUNDERを提案する。 我々は、WM状態空間におけるFM表現を基底としたマッピング関数を学習し、外部観測から世界シミュレータにおけるエージェントの物理状態を効果的に推定する。
  論文  参考訳（メタデータ） (2025-07-15T21:49:49Z)
• Unlocking Smarter Device Control: Foresighted Planning with a World Model-Driven Code Execution Approach [82.27842884709378]
  本研究では,自然言語理解と構造化推論を優先し,エージェントの環境に対するグローバルな理解を高める枠組みを提案する。 本手法は,従来の手法,特にタスク成功率の44.4%向上を達成している。
  論文  参考訳（メタデータ） (2025-05-22T09:08:47Z)
• LLM-State: Open World State Representation for Long-horizon Task Planning with Large Language Model [25.29170146456063]
  本研究では,Large Language Model (LLM) を用いたオープンワールド家庭環境における長期タスクプランニングの問題に対処する。 既存の作業は、キーオブジェクトと属性を明示的に追跡することができない。 オブジェクト属性の連続的な拡張と更新を提供するオープンステート表現を提案する。
  論文  参考訳（メタデータ） (2023-11-29T07:23:22Z)
• Selective Visual Representations Improve Convergence and Generalization for Embodied AI [44.33711781750707]
  身体化されたAIモデルは、CLIPのような棚の視覚バックボーンを使って視覚的な観察をエンコードすることが多い。 これは学習プロセス内のノイズを導入し、タスク関連視覚的手がかりからエージェントの焦点を逸脱させる。 人間が経験、知識、課題に基づいて知覚をフィルタリングするプロセスにおいて、人間の選択的な注意を喚起して、我々は、具体化されたAIのための視覚刺激をフィルタリングするためのパラメータ効率の良いアプローチを導入する。
  論文  参考訳（メタデータ） (2023-11-07T18:34:02Z)
• Localizing Active Objects from Egocentric Vision with Symbolic World Knowledge [62.981429762309226]
  タスクの指示をエゴセントリックな視点から積極的に下す能力は、AIエージェントがタスクを達成したり、人間をバーチャルに支援する上で不可欠である。 本稿では,現在進行中のオブジェクトの役割を学習し,指示から正確に抽出することで,アクティブなオブジェクトをローカライズするフレーズグラウンドモデルの性能を向上させることを提案する。 Ego4DおよびEpic-Kitchensデータセットに関するフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-10-23T16:14:05Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)
• Mutual Information Maximization for Robust Plannable Representations [82.83676853746742]
  モデルに基づく強化学習のための情報理論表現学習アルゴリズムMIROを提案する。 提案手法は, 邪魔や散らかったシーンの存在下で, 再建目的よりも頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-16T21:58:47Z)

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。