論文の概要: Does LeWorldModel Preserve Local Action Geometry?

• arxiv url: http://arxiv.org/abs/2610.31716v1
• Date: Thu, 22 Oct 2026 07:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.250933
• Title: Does LeWorldModel Preserve Local Action Geometry?
• Title（参考訳）: LeWorldModelは局所的なアクション幾何学を保存するか?
• Abstract要約: 3つの摂動スケールでグラム行列を用いた動作感度を測定した。 最も敏感なアクションの方向は、最小のスケールで約36円と42円の中央値で異なる。
• 参考スコア（独自算出の注目度）: 1.913298000064007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We examine how closely pretrained LeWorldModel (LeWM) reproduces the effects of small action changes. Using matched simulator and model responses, we measure action sensitivity with Gram matrices at three perturbation scales. Across nearly a thousand states from Reacher and OGBench Cube, the most sensitive action directions differ by median angles of about $36^\circ$ and $42^\circ$, respectively, at the smallest scale. Increasing the perturbation tenfold reduces median normalized Gram discrepancy by roughly 70\% on Reacher and 47\% on Cube. Geometry measured in pixels and embeddings varies more across scales than the chosen physical-state geometry. On held-out directions, environment Grams achieve median embedding response errors of 17\% and 28\%, compared with 26\% and 38\% for an isotropic reference with the same trace. LeWM's errors are higher at this scale. These findings support scale-specific evaluation of action sensitivity; its effect on control remains an open question.
• Abstract（参考訳）: 本稿では,LeWorldModel (LeWM) が小さな動作変化の影響をいかに再現するかを検討する。 一致したシミュレータとモデル応答を用いて、3つの摂動スケールでグラム行列を用いた動作感度を測定する。 リーチャー州とOGBench Cube州の約1000州で、最も敏感な行動方向は、それぞれ36^\circ$と42^\circ$の中央値で異なる。 摂動10倍の増大は、中央値の正規化グラムの差を、リーチャーでは約70倍、キューブでは47倍に減少させる。 画素や埋め込みで測定される幾何学は、選択された物理状態幾何学よりもスケールによって異なる。 ホールドアウト方向では,環境グラムは同一のトレースを持つ等方的参照に対して,中央値の埋め込み応答誤差が 17 % と 28 % であるのに対し,26 % と 38 % である。 LeWMの誤差は、この規模では大きい。 これらの知見は、スケール特異的な行動感受性の評価を支持しており、その制御に対する影響は未解決のままである。

関連論文リスト

• HoloCosm: Beyond Single-Metric Benchmark Compression Across Multiple Metrics [68.34740823532404]
  本稿では,ランキングの歪みを抑えながら,ソースモデルとメトリクス間の正規化スコア再構成誤差を最小限に抑えるHoloCosmを提案する。 我々は,HoloCosmを15言語,マルチモーダル,VLA,エージェントベンチマークなど,85のパラメータを持つ複数の圧縮速度で評価した。
  論文  参考訳（メタデータ） (2026-10-19T16:47:29Z)
• PolarScale: A Physics-Grounded Benchmark for Radiometrically Consistent RGB-to-Stokes Estimation [10.519944622085363]
  PolarScaleは、既存のトリクロマチックフルストークス測定に基づいて構築されている。 モデルに対して、正規化されたStokesコンポーネント、AoLP/DoLP/DoCP、およびシーン単位のスケールを予測する。 スケールは入力から分割されるため、物理的に識別できない。
  論文  参考訳（メタデータ） (2026-10-06T13:40:16Z)
• Scale Sensitivity in Low-Bit Post-Training Quantization: Curvature of the Quantization Error Landscape [15.425095447368962]
  GPTQファミリーにおけるポストトレーニング量子化(PTQ)法は、スケールを選択しなければならない一様格子上の層次再構成誤差を最小限に抑える。 この目的がスケールに対してどれほど敏感か研究する。 ガウス重みと十分に大きな有効ランクのキャリブレーションアクティベートを持つ層に対して、幅が大きくなるにつれて正規化された円-熱損失は高い確率で収束することを示す。
  論文  参考訳（メタデータ） (2026-09-29T12:46:41Z)
• Only What Was Seen: Observation-Gram Compaction of View-Dependent Appearance in 3D Gaussian Splatting [1.6921396880325774]
  ガウス観測グラム行列は係数変化から正方形画像誤差への正確な一階写像である。 トレーニング不要のスタックは、Mip-NeRF 360での画像のないGSICOよりも15%小さくなっている。
  論文  参考訳（メタデータ） (2026-09-24T04:06:12Z)
• CoSWA-YOLOv12: Scale-Invariant Tiny Object Detection and Segmentation of Malaria Parasites [0.0]
  自動顕微鏡は、低リソース環境でマラリア診断へのアクセスを拡大する可能性がある。 P. falciparum は初期の環の段階において、数十ピクセルの幅しか持たない物体として現れる。 コンパクトなYOLOv12インスタンスセグメンテーション検出器であるCoSWA-YOLOv12を提案する。
  論文  参考訳（メタデータ） (2026-08-25T06:00:04Z)
• MANGO-Grasp: Mahalanobis Fields over Geometry-Oriented 3D Gaussians for Cross-Embodiment Dexterous Grasping [82.63833405368159]
  クロス・エボディメント・デキスタラス・グルーピングは、異種多指ハンド間の安定したグルーピングを、エンボディメント固有のチューニングをほとんど、あるいは全く行わずに合成することを目的としている。 物体を幾何学指向の3Dガウスプリミティブとして、ロボットハンドをモルフォキネマティックな記述子に符号化した表面キーポイントとして表現する異方性相互作用フレームワークであるMANGO-Graspを提案する。
  論文  参考訳（メタデータ） (2026-08-03T10:12:15Z)
• Measuring Maximum Activations in Open Large Language Models [60.3514350516308]
  集中度, MoE, 視覚言語, 中間訓練, 命令調整型変異にまたがる8つのオープンファミリーから27個のチェックポイントで, グローバルおよび階層的に最大値を測定した。 最大アクティベーションサイズは、単純なサイズの副産物ではなく、ファミリー、アーキテクチャ、トレーニングステージに結びついているモデル特性である、と結論付けます。
  論文  参考訳（メタデータ） (2026-05-15T03:31:51Z)
• Relative Scaling Laws for LLMs [91.73497548097775]
  スケーリング法則は、追加のデータ、パラメータ、計算によって言語モデルがどのように改善されるかを記述する。 相対的なスケーリング法則を導入し、テスト分布間のパフォーマンスギャップをスケールで追跡する。 これらの結果は、スケーリングは全体的なパフォーマンスを改善するが、普遍的等化器ではないことを示している。
  論文  参考訳（メタデータ） (2025-10-28T16:55:22Z)
• How Scale Breaks "Normalized Stress" and KL Divergence: Rethinking Quality Metrics [0.20999222360659606]
  研究者は、しばしば2次元散乱プロットの精度を測定するために品質指標を使用する。 最も一般的に使用されるメトリクスの1つ、正規化ストレスは、投影の均一なスケーリング(ストレッチ、縮小)に敏感である。 得られた値がどの程度変化し、これが寸法削減技術の評価にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2025-10-09T13:11:31Z)
• Interpolation and Learning with Scale Dependent Kernels [91.41836461193488]
  非パラメトリックリッジレス最小二乗の学習特性について検討する。 スケール依存カーネルで定義される推定器の一般的な場合を考える。
  論文  参考訳（メタデータ） (2020-06-17T16:43:37Z)
• AdamP: Slowing Down the Slowdown for Momentum Optimizers on Scale-invariant Weights [53.8489656709356]
  正規化技術は現代の深層学習の恩恵である。 しかし、運動量を導入することで、スケール不変の重みに対する効果的なステップサイズが急速に小さくなることがしばしば見過ごされる。 本稿では,この2つの材料の組み合わせが,有効ステップサイズと準最適モデル性能の早期劣化につながることを検証した。
  論文  参考訳（メタデータ） (2020-06-15T08:35:15Z)

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。