論文の概要: Compositional Diffusion Planning with Chunk Selection and Reachability Measure

• arxiv url: http://arxiv.org/abs/2610.38291v1
• Date: Wed, 28 Oct 2026 05:17:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:21:36.275033
• Title: Compositional Diffusion Planning with Chunk Selection and Reachability Measure
• Title（参考訳）: チャンク選択と到達可能性測定による構成拡散計画
• Abstract要約: 重なり合うチャンクを平均化すると、モードが悪化する問題が発生し、不連続な軌道が生じる。 本稿では,SCD(Selective Compositional diffuser)を提案する。 SCDは成功率を改善し、HumanoidMaze-LargeおよびGiantタスクの最先端の結果に達する。
• 参考スコア（独自算出の注目度）: 38.21172476302709
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Compositional diffusion planners have demonstrated remarkable success on long-horizon diffusion planning by sampling short trajectories, namely chunks, and composing them into a long trajectory. However, averaging overlapping chunks can induce the mode-averaging problem, resulting in discontinuous trajectories. Several works aim to address this problem, whereas a non-negligible portion of plans remains infeasible. In this work, we propose Selective Compositional Diffuser (SCD), handling this problem by measuring reachability. To this end, we present a self-supervised learning method for the reachability classifier. This is trained on offline data and generated chunks jointly to address potential distributional mismatch, while reducing the bias inherited from the generated data. Based on this, we construct a graph whose edge costs represent whether consecutive chunks are reachable, and traverse the graph to find effective yet efficient routes. Lastly, we generate bridging trajectories and refine the composed trajectory for smooth transitions. We evaluate our method on OGBench stitching tasks. It practically reduces incompatible mode compositions and the mode-averaging problem compared to the studied baselines. Across tasks, SCD improves success rates, reaching state-of-the-art results on HumanoidMaze-Large and Giant tasks.
• Abstract（参考訳）: 構成拡散プランナーは、短い軌道、すなわちチャンクをサンプリングし、それらを長い軌道に構成することで、長い水平拡散計画において顕著な成功を収めた。 しかし、平均的な重なり合うチャンクは、モデム改善の問題を引き起こす可能性があるため、不連続な軌道が生じる。 いくつかの研究はこの問題に対処することを目的としているが、計画の無視できない部分はまだ実現不可能である。 本研究では,SCD(Selective Compositional Diffuser)を提案する。 そこで本研究では,到達可能性分類器のための自己教師型学習手法を提案する。 これはオフラインデータに基づいてトレーニングされ、生成したデータから受け継がれたバイアスを低減しつつ、潜在的分散ミスマッチに対処するために共同で生成されたチャンクを生成する。 これに基づいて、連続的なチャンクが到達可能かどうかを示すエッジコストのグラフを構築し、グラフを横切り、効率的かつ効率的な経路を求める。 最後に, 架橋軌道を生成し, 合成軌道をスムーズな遷移のために洗練する。 縫合作業におけるOGBench法の評価を行った。 非互換なモード構成と、研究対象のベースラインと比較した場合のモード改善問題を実質的に低減する。 タスク全体にわたって、SCDは成功率を改善し、HumanoidMaze-LargeおよびGiantタスクの最先端の結果に到達する。

関連論文リスト

• Chain-of-Trajectories: Unlocking the Intrinsic Generative Optimality of Diffusion Models via Graph-Theoretic Planning [18.527605555018777]
  Chain-of-Trajectories(リンク)(CoTj)は、System 2の熟考計画を可能にするトレインフリーのフレームワークである。 CoTjは計算作業を最も困難な生成フェーズに割り当てる。 この研究は、リソースを意識し、計画に基づく拡散モデリングのための新しい基盤を確立する。
  論文  参考訳（メタデータ） (2026-03-16T01:28:51Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Local Manifold Approximation and Projection for Manifold-Aware Diffusion Planning [23.945423041112036]
  Local Manifold Approximation and Projection (LoMAP) は、オフラインデータセットから近似した低ランクのサブスペースにガイドされたサンプルを投影するトレーニング不要の手法である。 階層型拡散プランナにLoMAPを組み込むことにより,さらなる性能向上が期待できることを示す。
  論文  参考訳（メタデータ） (2025-06-01T07:16:39Z)
• Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
  本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。 より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。 HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
  論文  参考訳（メタデータ） (2025-03-25T22:52:46Z)
• Generative Trajectory Stitching through Diffusion Composition [29.997765496994457]
  CompDiffuserは、これまで見てきたタスクから短い軌跡を合成的に縫い合わせることで、新しいタスクを解決できる新しい生成的アプローチである。 我々は,さまざまな環境サイズ,エージェント状態次元,軌道タイプ,データ品質のトレーニングなど,さまざまな課題のベンチマークタスクについて実験を行い,CompDiffuserが既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-07T05:22:52Z)
• Diffusion Meets Options: Hierarchical Generative Skill Composition for Temporally-Extended Tasks [12.239868705130178]
  線形時間論理(LTL)によって規定された命令に基づいて計画の生成と更新を行うデータ駆動階層型フレームワークを提案する。 提案手法は,オフラインの非専門家データセットから階層的強化学習を用いて,時間的タスクを選択肢の連鎖に分解する。 バッチ生成における行列誘導後サンプリング手法を考案し,拡散生成オプションの速度と多様性を向上する。
  論文  参考訳（メタデータ） (2024-10-03T11:10:37Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)

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。