論文の概要: Causal world models under physical parameter shifts
- arxiv url: http://arxiv.org/abs/2610.29088v1
- Date: Wed, 21 Oct 2026 02:26:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.178568
- Title: Causal world models under physical parameter shifts
- Title（参考訳）: 物理パラメータシフト下における因果世界モデル
- Abstract要約: 本研究では,因果モデリングの2つの要素について検討する。
CausalWorldにおけるロボットのリンク質量外挿において,リンク質量が慣性および動的バイアス項に入る指局所世界モデルを開発する。
- 参考スコア（独自算出の注目度）: 3.3965115081590436
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: World models predict how embodied systems evolve under actions, but their accuracy can degrade when physical conditions move outside the training distribution. We study two components of causal modeling: which inputs a predictor may use, and how its mechanism computes their effects. In a synthetic benchmark with shortcut features, a frozen dependency mask derived from paired interventions reduces mean out-of-distribution (OOD) RMSE from 1.769 for a fully connected predictor to 0.697, close to the generator-oracle mask (0.694). For robot link-mass extrapolation in CausalWorld, with disjoint training and test mass ranges, we develop finger-local world models in which link masses enter inertia and dynamics-bias terms through explicit affine coefficients, actions act through either a learned torque network or the known PD controller, and learned residuals capture contact-related effects. Compared with a separately trained control whose mass inputs are fixed at training means, the known-PD model turns out-of-range masses into a consistent predictive gain: median time-averaged joint R2 over 150-step rollouts rises from 0.609 to 0.727, with improvement in all ten task-seed runs (exact two-sided sign test, p = 0.002). In a shared 100-step forecast, the learned-torque model is competitive with the strongest recurrent robotic world model (RWM) configuration (median joint R2 of 0.755 - 0.768 versus 0.752), whereas supplying out-of-range masses sharply degrades the MLP and recurrent predictors. These results indicate that how a physical parameter enters the dynamics mechanism determines whether its out-of-range value helps or harms prediction.
- Abstract（参考訳）: 世界モデルは、実施されたシステムが動作中にどのように進化するかを予測するが、物理的な条件がトレーニング分布の外に移動すると、その精度は低下する。
本研究では,因果モデリングの2つの要素について検討する。
ショートカット特性を持つ合成ベンチマークでは、ペア介入による凍結依存マスクは、平均分布外(OOD)RMSEを1.769から0.697に減少させ、ジェネレータ・オークルマスク(0.694)に近接させる。
CausalWorldにおけるロボットのリンク質量外挿において,リンク質量が慣性および動的バイアス項に入るような指局所世界モデルを構築し,学習されたトルクネットワークまたは既知のPDコントローラを介して動作し,学習した残差が接触関連効果を捉える。
トレーニング手段で質量入力が固定された個別の訓練された制御と比較すると、既知のPDモデルでは、一貫した予測的なゲインとなる: 平均150ステップのロールアウトの平均時間付き継手R2は、全10回のタスクシードランの改善により、0.609から0.727に上昇する(例えば、両側のサインテスト、p = 0.002)。
共通100ステップの予測では、学習トルクモデルは最強のリカレントロボットワールドモデル (RWM) 構成(中間関節R2: 0.755 - 0.768 vs 0.752) と競合する。
これらの結果は、物理パラメータがダイナミックス機構に入る方法が、そのアウト・オブ・レンジ値が予測に役立っているかどうかを判断することを示している。
関連論文リスト
- Reproducible macroscopic dynamics in a closed-loop human-AI learning system [7.194389573952499]
閉ループヒトAIシステムは、集団動力学が不明な行動軌道を生成する。
モデルフィッティングの前にセマンティックな順序変数を定義し、ユーザ不随のコホートでそれらをテストする。
我々は、経験力学、解釈可能なメカニズム、ニューラルネットワークをリンクする外部に固定された先行方向有効場を同定する。
論文 参考訳（メタデータ） (2026-08-31T15:17:01Z) - A Reproducible Log-Driven AutoML Framework for Interpretable Pipeline Optimization in Healthcare Risk Prediction [7.356849324535381]
本研究では、決定論的かつログ駆動の自動機械学習フレームワークであるyvsoucom-iterkitを紹介する。
18,000以上のパイプライン構成にわたるPima Indians DiabetesとStrokeデータセットの実験は、部分的に冗長な検索スペースを明らかにしている。
このフレームワークは、アンサンブルモデルを使用して、強力で安定したパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-19T16:57:56Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots [0.5161531917413708]
本稿では,新しい不確実性を考慮した適応力学モデルフレームワークを提案する。
オンライン推定中に、凸的な物理的一貫性の制約を埋め込む。
4-DOFマニピュレータを搭載したBlueROV2ヘビーの実験は、急速に収束し、キャリブレーションされた予測を示す。
論文 参考訳（メタデータ） (2026-03-06T18:35:48Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - MPCFormer: A physics-informed data-driven approach for explainable socially-aware autonomous driving [7.41761409055788]
MPCFormerは、物理情報とデータ駆動型結合型ソーシャルインタラクションダイナミクスを備えた、社会的に認識可能な自律運転アプローチである。
MPCFormerは94.67%の最高計画成功率を達成し、運転効率を15.75%改善し、衝突速度を21.25%から0.5%に下げることを示した。
論文 参考訳（メタデータ） (2025-12-03T13:43:33Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Machine Generalize Learning in Agent-Based Models: Going Beyond Surrogate Models for Calibration in ABMs [0.0]
キャリブレーションエージェントベースの疫病モデルは、計算的に要求されている。
本稿では,流行時系列からSIRパラメータへの逆写像を学習する教師付き機械学習校正器を提案する。
論文 参考訳（メタデータ） (2025-09-06T18:28:00Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z)
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。