潜在世界モデルの制御性能を改善する正則化手法、2ベンチマークで成功率向上

何が起きたか

arXiv掲載の論文「Motion-guided Contrastive Regularization For Latent World Models」は、OGBench-Cubeで背景をランダム化した条件の計画成功率が、LeWorldModel（LeWM）の52%から78%に向上したと報告した。LIBERO-Objectでは14%から54%となり、ほか4つの視覚制御ベンチマークでは同程度の性能を保ったという。

詳細

論文は、潜在表現がエピソードごとの静的な内容を保持する一方、操作に関係する状態変化を抑えてしまう失敗を「static collapse」と定義する。背景をランダム化したOGBench-Cubeの実験では、操作タスク自体を変えずに計画性能が大きく低下したとしている。 提案手法は、予測した潜在遷移を同一エピソード内の候補観測への遷移と比較する。さらに、光学フローの類似度をソフトな対照学習の目標に用い、類似した動きの候補には類似した教師信号を与える。潜在予測とSIGRegを組み合わせ、エピソード内の状態差と関連する遷移間の類似性を表現に残す設計だ。

Key Facts

本紙の見方

この論文の焦点は、潜在世界モデルに正則化を加えること自体ではなく、制御に必要な状態変化を表現から失わせない点にある。論文は、分布を整える正則化だけでは、エピソード固有の静的内容を保ちながら操作に関係する変化を抑える「static collapse」を防げないとする。背景をランダム化したOGBench-Cubeでタスクを変えずに性能が落ちたという実験設定は、見た目の変化が潜在表現のどの情報を支配しているかを検証するものと読める。 改善幅はOGBench-Cubeで26ポイント、LIBERO-Objectで40ポイントとなる（いずれも論文掲載値の差）。ただし、前者は背景をランダム化した条件として示されており、通常の条件を含むあらゆる設定で同じ差が出ることを意味しない。ほか4つのベンチマークでは「同程度」とされるだけで、要旨に個別の成功率は記されていない。したがって、結果の中心は全般的な性能上昇ではなく、静的な背景が計画を損なう状況に対する改善と位置づけるのが妥当だ。 手法上の要点は、背景の識別に依存しにくい学習信号を、同一エピソードの候補遷移と光学フローの類似度から作ることにある。単に背景を消すのではなく、関連する動きの遷移を近いものとして扱い、操作に伴う状態差を残す設計だ。これは、視覚入力から行動結果を予測するモデルでは、表現の分布が整っていることと、行動選択に役立つ情報が保たれていることを分けて評価する必要があることを示す。 一方、要旨から確認できるのはベンチマーク上の成功率であり、実機での制御結果や、異なる環境・背景への転移性能までは示されていない。次に見るべきなのは、背景以外の視覚変動でも同じ失敗が起きるか、光学フローに基づく教師信号がどの条件で有効か、そして追加の計算・学習コストがどの程度かである。要旨にはこれらの評価結果は記載されていないため、今回の数値を実環境での性能にそのまま広げて解釈することはできない。

なぜ重要か

背景の見た目が変わるだけで計画成功率が下がる問題に対し、この手法は同一エピソード内の遷移と光学フローを使って、操作に関係する状態変化を表現に残すことを狙う。論文の結果は、視覚制御モデルを評価する際、タスク条件に加えて背景の変化が性能に与える影響も確認する必要があることを示している。