論文の概要: world2vec: Mechanistic world models through latent dynamics learning
- arxiv url: http://arxiv.org/abs/2610.40637v1
- Date: Thu, 29 Oct 2026 17:58:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.557537
- Title: world2vec: Mechanistic world models through latent dynamics learning
- Title（参考訳）: world2vec: 潜在力学学習による機械的世界モデル
- Abstract要約: 我々はWorld2vecを導入し、観察や行動から直接報いることなくメカニスティックな世界モデルを学ぶ。
World2vecは、長い予測地平線上で真のシステムを忠実に再現する潜伏力学を学ぶ。
- 参考スコア（独自算出の注目度）: 3.4240398682519966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World models can achieve strong control performance without faithfully capturing the dynamics of their environment, limiting their potential for mechanistic interpretability and scientific discovery. Here, we introduce world2vec to learn mechanistic world models without reward information directly from observations and actions. World2vec learns latent dynamics that faithfully reproduce the true system over long prediction horizons, with at least one order of magnitude fewer parameters than DreamerV3, TD-MPC2 and LeWM. This enables state of the art performance in controlling continuous environments from pixels and accurate system identification across a benchmark of 71 attractors, demonstrating how world models are amenable to scientific discovery.
- Abstract（参考訳）: 世界モデルは、彼らの環境のダイナミクスを忠実に捉えずに強力な制御性能を達成でき、機械的解釈可能性や科学的発見の可能性を制限することができる。
本稿では,World2vecを導入して,観察や行動から直接報いることなく,メカニスティックな世界モデルを学ぶ。
World2vecは、DreamerV3、TD-MPC2、LeWMよりも少なくとも1桁少ないパラメータで、長い予測地平線上で真のシステムを忠実に再現する潜在ダイナミクスを学習する。
これにより、71のアトラクタのベンチマークを通じて、ピクセルから連続環境を制御し、正確なシステム識別を行う上で、最先端のパフォーマンスが実現され、世界モデルが科学的な発見にどのように役立つかを実証することができる。
関連論文リスト
- Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。
表現の崩壊を防ぎ、アクション整列表現を誘導する。
コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
論文 参考訳（メタデータ） (2026-06-18T11:25:16Z) - World-Ego Modeling for Long-Horizon Evolution in Hybrid Embodied Tasks [62.389116510844445]
emphWorld-Ego Modelingは、未来の世界とエゴコンポーネントへの進化を分解する新しい概念パラダイムである。
我々は、このパラダイムを、暗黙の分離したワールド・エゴ・プランナーとカスケード・パラレル・ミックス・オブ・エキスパート(CP-MoE)拡散生成器を結合した統一的な世界モデルであるワールド・エゴ・モデル(WEM)としてインスタンス化する。
論文 参考訳（メタデータ） (2026-05-19T15:10:27Z) - Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - World2VLM: Distilling World Model Imagination into VLMs for Dynamic Spatial Reasoning [18.658825757342544]
視覚言語モデル (VLM) は静的視覚理解において高い性能を示した。
彼らは今でも、エゴセントリックな動きの下でのシーンの進化を想像する必要がある、ダイナミックな空間的推論に苦慮している。
生成世界モデルから視覚言語モデルに空間的想像力を蒸留するトレーニングフレームワーク World2VLM を提案する。
論文 参考訳（メタデータ） (2026-04-29T17:48:01Z) - Latent-WAM: Latent World Action Modeling for End-to-End Autonomous Driving [40.17041348571413]
Latent-WAMは効率的なエンドツーエンドの自動運転フレームワークである。
空間認識および動的インフォームドされた潜在世界表現を通じて、強力な軌道計画を実現する。
論文 参考訳（メタデータ） (2026-03-25T17:56:07Z) - Making Large Language Models into World Models with Precondition and Effect Knowledge [1.8561812622368763]
本研究では,Large Language Models (LLM) を2つの重要な世界モデル関数の実行に利用することができることを示す。
我々は、我々のモデルが生み出す前提条件と効果知識が、世界力学の人間の理解と一致していることを検証する。
論文 参考訳（メタデータ） (2024-09-18T19:28:04Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳（メタデータ） (2023-01-12T02:07:26Z)
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。