論文の概要: When Does Dynamics Randomization Test Context Inference?
- arxiv url: http://arxiv.org/abs/2610.32414v1
- Date: Fri, 23 Oct 2026 09:42:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.44955
- Title: When Does Dynamics Randomization Test Context Inference?
- Title（参考訳）: 動的ランダム化テストコンテキスト推論はいつ行われるか?
- Abstract要約: 残りのワンステップ情報を予測ヘッドルームとして定式化する。
離散的かつ連続的な環境を解析し、カーネルの差が少ない場合と、訪問時に大きな相違が生じる場合の両方で低いヘッドルームを求める。
本稿では、このヘッドルームをランダム化パラメータとともに報告し、現在の状態や動作から欠落した情報に対して、明示的な文脈推論から得られる利得を解釈できるようにする。
- 参考スコア（独自算出の注目度）: 2.7078182994979465
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Environments with randomized dynamics are widely used to ask whether world models need explicit context inference. However, randomization can leave little predictive information for a context encoder to add, because distinct latent parameters may produce similar transitions at visited states, or those states may already reveal the active context. We formalize the remaining one-step information as predictive headroom and compare kernels under fixed and visited state--action distributions to distinguish changes in query coverage from changes in context weights. We analyze discrete and continuous environments and find low headroom both when kernels differ little and when visitation reduces an otherwise large discrepancy. At the same time, resetting state components increases headroom, showing that context evidence accumulates in state. We propose reporting this headroom alongside the randomized parameters, so that gains from explicit context inference can be interpreted relative to the information missing from the current state and action.
- Abstract（参考訳）: ランダム化されたダイナミクスを持つ環境は、世界モデルに明示的な文脈推論が必要であるかどうかを問うために広く使われている。
しかし、ランダム化はコンテキストエンコーダが追加すべき予測情報をほとんど残さない可能性がある。なぜなら、異なる潜在パラメータが訪問した状態に類似した遷移を発生させるかもしれないし、それらの状態が既にアクティブなコンテキストを明らかにするかもしれないからである。
残りのワンステップ情報を予測ヘッドルームとして形式化し、固定状態および訪問状態のカーネルを比較し、クエリカバレッジの変化とコンテキスト重みの変化を区別する。
離散的かつ連続的な環境を解析し、カーネルの差が少ない場合と、訪問時に大きな相違が生じる場合の両方で低いヘッドルームを求める。
同時に、状態コンポーネントのリセットによってヘッドルームが増加し、コンテキストエビデンスが状態に蓄積されることを示す。
本稿では、このヘッドルームをランダム化パラメータとともに報告し、現在の状態や動作から欠落した情報に対して、明示的な文脈推論から得られる利得を解釈できるようにする。
関連論文リスト
- The Illusion of Robustness: Aggregate Accuracy Hides Prediction Flips under Task-Irrelevant Context [76.36635039699112]
大規模言語モデル(LLM)は、タスク入力に長く、部分的には関係のないコンテキストが伴うような、コンテキストに富んだ環境にますますデプロイされる。
現状のモデルはしばしば、集合レベルでのタスク非関連コンテキストに対して頑健に見える。
しかし、この集合安定性は、指数当たりの不安定性を著しくマスクする。
論文 参考訳（メタデータ） (2026-07-14T17:01:12Z) - Counterfactual reasoning: an analysis of in-context emergence [57.118735341305786]
我々は、言語モデルが反実的推論が可能なことを示す。
自己注意、モデル深度、トレーニング済みデータの多様性によってパフォーマンスが向上することがわかった。
以上の結果から, SDE 動態下での反実的推論が可能となった。
論文 参考訳（メタデータ） (2025-06-05T16:02:07Z) - On the Role of Context in Reading Time Prediction [50.87306355705826]
我々は,リアルタイム言語理解において,読者がコンテキストをどのように統合するかについて,新たな視点を提示する。
提案手法は,言語単位の処理作業が文脈内情報の内容のアフィン関数であることを示す素因的理論に基づいている。
論文 参考訳（メタデータ） (2024-09-12T15:52:22Z) - Nonstationary Time Series Forecasting via Unknown Distribution Adaptation [22.915008205203886]
環境が進化するにつれて、時間分布シフトは時系列予測性能を低下させる可能性がある。
均一分布シフトを仮定して定常成分と非定常成分をアンタングルする手法もあるが、分布変化が未知であることから現実的ではない。
非定常時系列予測のためのtextbfUnknown textbfDistribution textbfAdaptation (textbfUDA) モデルを提案する。
論文 参考訳（メタデータ） (2024-02-20T07:16:12Z) - A New Bandit Setting Balancing Information from State Evolution and
Corrupted Context [52.67844649650687]
本稿では,2つの確立されたオンライン学習問題と包括的フィードバックを組み合わせた,逐次的意思決定方式を提案する。
任意の瞬間にプレーする最適なアクションは、エージェントによって直接観察できない基礎となる変化状態に付随する。
本稿では,レフェリーを用いて,コンテキストブレイジットとマルチアームブレイジットのポリシーを動的に組み合わせるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-16T14:35:37Z)
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。