Fugu-MT 論文翻訳(概要): Evaluation-Guided Demonstration Refinement for Vision-Language-Action Policies: The Winning Entry in the MetaFine Open Competition

論文の概要: Evaluation-Guided Demonstration Refinement for Vision-Language-Action Policies: The Winning Entry in the MetaFine Open Competition

arxiv url: http://arxiv.org/abs/2610.36765v1
Date: Tue, 27 Oct 2026 07:21:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-29 04:15:49.241748
Title: Evaluation-Guided Demonstration Refinement for Vision-Language-Action Policies: The Winning Entry in the MetaFine Open Competition
Title（参考訳）: メタファインオープンコンペティションにおけるビジョンランゲージ・アクション・ポリシーの評価ガイドによる実証的リファインメント
Abstract要約: メタファインオープンコンペティションの5つのタスクそれぞれに、それぞれ$_0.5$のポリシーを微調整しました。 MAIは、スコア96.66で1位にランクインした。
参考スコア（独自算出の注目度）: 13.860006809857376
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We fine-tuned a separate $π_{0.5}$ policy for each of the five tasks in the MetaFine Open Competition, with a task-specific training mixture and number of actions executed per prediction. Training started from the official demonstrations and expert procedures. Local evaluation exposed recurring grasping, pushing, and insertion failures. We addressed them by revising the demonstrated motions and by adding expert continuations from states the policy reached, while keeping nominal demonstrations in training. Checkpoints were compared on every instruction, so that a gain on one instruction could not hide a loss on another. Our submission, MAI, ranked first overall with a score of 96.66.
Abstract（参考訳）: メタファインオープンコンペティション(MetaFine Openコンペティション)の5つのタスクのそれぞれに対して,タスク固有のトレーニングミックスと予測毎に実行されるアクションの数で,それぞれ別の$π_{0.5}$ポリシーを微調整した。訓練は公式のデモンストレーションと専門家の手続きから始まった。局所的評価では, つかみ, 押し, 挿入障害が再発した。実証行動の見直しと、政策が到達した州からの専門的な継続を追加し、トレーニングにおける名目上の実演を継続することで、これらの課題に対処した。チェックポイントは各命令で比較され、ある命令の利得が他の命令の損失を隠さないようにした。 MAIは、スコア96.66で1位にランクインした。

関連論文リスト

PerturBot: Breaking Shortcut Priors in Vision-Language-Action Models with Perturbative Training [54.81497176604651]
視覚-言語-アクション(VLA)ポリシーは、その行動を決定する証拠を無視しながら、複雑なタスクを完了することができる。私たちはこれらの依存関係をモダリティショートカット(Modality shortcuts)と呼んでいる: 成功例の正規性は、専門家の行動を予測するのに十分な視覚的、語彙的、あるいは運動的手がかりを生み出す。本稿では,タスク関連エビデンスをより使いやすくし,自分でもショートカットが不十分なPerturbotを提案する。
論文参考訳（メタデータ） (2026-10-03T15:57:51Z)
Disagreement-Regularized Imitation Learning for Image-Based Continuous Control with Gaussian and Beta Policies [0.7734726150561086]
本研究は,クローン化政策間の不一致を強化学習報酬に変換し,画像に基づく継続的制御を改善することができるかを評価する。
論文参考訳（メタデータ） (2026-09-29T19:01:24Z)
Shockingly Simple Self-retrospection Improves Agentic Models Without RL [56.88703385147974]
本研究は,説明のみの訓練がその後の行動に与える影響を分離するために,レトロスペクティブ・オンリー・ファインチューニングについて検討する。 Qwen3.5-4B を用いたソフトウェア工学実験では、ROFT は成功と失敗の混合したベースモデルの試行に関する問題で訓練されている。また、64のサンプルベースモデル試みが失敗する個々のタスクの解決も学べる。
論文参考訳（メタデータ） (2026-09-28T17:54:24Z)
WorldGuide: Learning Success-Failure Boundaries in Latent World Models for Vision-Language-Action Policies [55.15896481989941]
textbfWorldGuideは、潜在空間における区別を学習し、政策訓練の指導に使用するフレームワークである。 WorldGuideは、成功と失敗の軌跡に対する予測事前トレーニングと、一致した成功と失敗のペアに関する対照的な学習を組み合わせる。実験により、WorldGuideはVLAの信頼性を大幅に向上し、アートパフォーマンスの状態を達成している。
論文参考訳（メタデータ） (2026-09-28T03:13:43Z)
Phase-and-First-Arrival VLM Feedback for Sparse-Reward Reinforcement Learning in Surgical Manipulation [18.513281440175113]
スパース・リワード強化学習では、終末報酬は同じ結果にそのような試みが崩壊する。記録されたエピソードごとの1つのVLMクエリは、最も視覚的に検証されたタスクフェーズを識別する。 5つのシミュレートされたタスクにおいて,提案手法は平均75.2%に到達し,コントラスト言語-画像事前学習に基づく報酬は52.1%となった。
論文参考訳（メタデータ） (2026-09-07T08:29:59Z)
Adversarial Dual On-Policy Distillation from Expressive Teacher [53.63143943452487]
フローマッチングの教師は、デモから学び、軽量の学生と共同で訓練される。教師は学生のロールアウトに2つの補完的な信号を提供します。アクションチャネルは、学生が訪問する州で密集したローカルターゲットを提供し、搾取を安定化させる。
論文参考訳（メタデータ） (2026-05-26T14:38:03Z)
MSA at BEA 2025 Shared Task: Disagreement-Aware Instruction Tuning for Multi-Dimensional Evaluation of LLMs as Math Tutors [0.0]
我々は,4つの教科領域にわたるAI教師の応答を評価するために,BEA 2025共有タスクを提出する。このアプローチでは、統一的なトレーニングパイプラインを使用して、すべてのトラックにまたがる1つの命令チューニング言語モデルを微調整します。本システムでは,全トラックにまたがって高い性能を達成し,第1位,第3位,第3位,ミスタケ識別とミスタケ位置情報の両方で第4位にランクインした。
論文参考訳（メタデータ） (2025-05-24T06:32:02Z)
Real-Time Operator Takeover for Visuomotor Diffusion Policy Training [12.721199533591916]
Real-Time Operator Takeover (RTOT) パラダイムにより、オペレータはライブビジュモータ拡散ポリシーをシームレスに制御できる。マハロノビス距離を用いて、望ましくない状態を自動的に識別する新たな知見を提示する。
論文参考訳（メタデータ） (2025-02-04T13:24:28Z)
Reward Relabelling for combined Reinforcement and Imitation Learning on sparse-reward tasks [2.0305676256390934]
そこで本稿では, オンライン上で収集した実演とエピソードを, オフ・ポリティクス・アルゴリズムを用いて任意のスパース・リワード環境において活用する手法を提案する。本手法は、実演や成功エピソードに与えられる報酬ボーナスに基づいて、専門家の模倣と自己模倣を奨励する。実験では、ロボット工学の操作、特にシミュレーションにおける6自由度ロボットアームの3つのタスクに焦点を当てた。
論文参考訳（メタデータ） (2022-01-11T08:35:18Z)
Execute Order 66: Targeted Data Poisoning for Reinforcement Learning [52.593097204559314]
本研究は, 特定の目標状態にのみ, エージェントの誤動作を引き起こす, 強化学習のための無害な毒殺攻撃を導入する。我々は、近年の手法である勾配アライメントを強化学習に適用することで、これを実現する。本手法を検証し,異なる難易度を持つ2つのアタリゲームで成功例を示す。
論文参考訳（メタデータ） (2022-01-03T17:09:32Z)
Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with Latent Confounders [62.54431888432302]
無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
論文参考訳（メタデータ） (2020-07-27T22:19:01Z)

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。