論文の概要: A Recipe for Physical Action Model Training
- arxiv url: http://arxiv.org/abs/2611.16450v1
- Date: Thu, 12 Nov 2026 08:03:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.394614
- Title: A Recipe for Physical Action Model Training
- Title(参考訳): 身体行動モデルトレーニングのためのレシピ
- Abstract要約: データ構成、表現、配置に関する決定は、条件分布のターゲットを介して結合する。
公開PushTトラジェクトリ206の解析は、ポリシーを適合させることなく、固定機能情報設計基準を評価する。
- 参考スコア(独自算出の注目度): 0.42970700836450487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Choosing robot model capacity and demonstration budgets also requires decisions about data composition, representation, optimization, and deployment. We connect these decisions through a common conditional-distribution target. Nested learning oracles give exact risk accounting; local information geometry, conditional mutual information, and empirical convergence provide conditional training prescriptions. Known-target numerical checks expose capacity-data coupling, representation-induced mixture mismatch, and an example where deployment KL increases while negative log-likelihood decreases. An analysis of 206 public PushT trajectories evaluates fixed-feature information-design criteria without fitting a policy. Under asymmetric evaluation targets, the selected allocations reduce this criterion by 4.5-6.2% relative to target matching; balanced targets show no benefit. These results clarify which quantities can support training recommendations and when an apparently favorable predictive metric has a different interpretation.
- Abstract(参考訳): ロボットモデルのキャパシティとデモ予算の選択には、データ構成、表現、最適化、デプロイメントに関する決定も必要である。
私たちはこれらの決定を、共通の条件分散ターゲットを介して結び付けます。
ネステッド・ラーニング・オラクルは正確なリスク・カウンセリングを与え、ローカル・インフォメーション・ジオメトリ、条件付き相互情報、経験的収束は条件付きトレーニング・ドキュメンテーションを提供する。
Known-target数値チェックは、キャパシティ-データ結合、表現-誘導混合ミスマッチ、および、負のログ類似度が減少する間にデプロイメントKLが増加する例を公開する。
公開PushTトラジェクトリ206の解析は、ポリシーを適合させることなく、固定機能情報設計基準を評価する。
非対称な評価対象の下では、選択されたアロケーションは、この基準を目標マッチングと比較して4.5-6.2%削減する。
これらの結果は、トレーニングレコメンデーションを支援する量と、明らかに好ましい予測指標が異なる解釈を持つ場合を明らかにした。
関連論文リスト
- Adversary-Free Counterfactual Prediction via Information-Regularized Representations [8.760019957506719]
本稿では,デコーダバイアス下での対実予測について検討し,数学的に基礎を成す情報理論的アプローチを提案する。
情報用語を上位にバウンドし、教師付き課題と組み合わせることで、安定的で、実証可能なトレーニング基準を導出する、トラクタブルな変動目標を導出する。
我々は,制御された数値シミュレーションと実世界の臨床データセットの評価を行い,最近の最先端のバランス,再重み付け,敵のベースラインと比較した。
論文 参考訳(メタデータ) (2025-10-17T09:49:04Z) - Distributionally robust risk evaluation with an isotonic constraint [20.74502777102024]
分布的に堅牢な学習は、不確実な分布の集合内で最悪のケースの統計性能を制御することを目的としている。
本稿では,未知のターゲット分布が推定値と異なる方法に関する事前情報を組み込んだDRLの形状制約手法を提案する。
合成データと実データの両方に関する実証研究は、提案した形状制約手法の精度の向上を実証している。
論文 参考訳(メタデータ) (2024-07-09T13:56:34Z) - Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。
偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。
本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z) - BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
非決定論的分布を前提とした新しい学習パラダイムを提案する。
提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
論文 参考訳(メタデータ) (2022-03-31T05:19:38Z) - Learning Bias-Invariant Representation by Cross-Sample Mutual
Information Minimization [77.8735802150511]
対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。
相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。
我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
論文 参考訳(メタデータ) (2021-08-11T21:17:02Z)
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。