潜在進化を明示する：ワールドアクションモデルのための演算子構造化遷移

- ロボットポリシーを拡張するWorld Action Models (WAMs)の研究。 - タスク関連のシーン状態が相互作用下でどう進化するかを潜在表現空間で予測する。 - 外観レベルの生成を避けつつ制御に必要な情報を保持する。 - 潜在遷移の実現方法として、Transformerベースの予測器が一般的だが、時間的進化ではなくトークン相互作用に基づく帰納的構造を持つ。 - 本研究では遷移実現を予測表現や予測-ポリシー結合とは別のアーキテクチャ選択として捉える。 - 新手法Latent Evolution Operator Network (LEON)を導入。 - 学習された可観測空間で、コンテキスト変調された演算子ベースの伝播と加法的強制を通じて潜在進化をモデル化する。

- 従来のWAMsは潜在遷移をTransformerベースの予測器で実現し、トークン相互作用中心の帰納的構造だった。 - 本研究は遷移実現を独立したアーキテクチャ選択として扱い、時間的進化に特化した帰納的バイアスを導入。 - 制御されたKoopman生成子の視点に基づき、コンテキスト依存の遷移変動を共有進化演算子構造の周りに組織化。 - 加法的変化のための補完的経路も保持。 - これにより、従来のTransformerベース予測器と比べて進化に特化した帰納的バイアスを実現。 - 2つのWAM定式化で閉ループ性能とロバスト性を改善し、完全な遷移置換下でも有効。

- Latent Evolution Operator Network (LEON)を提案。 - 学習された可観測空間で潜在進化をモデル化。 - コンテキスト変調された演算子ベースの伝播と加法的強制を組み合わせる。 - 制御されたKoopman生成子の視点に基づく。 - コンテキスト依存の遷移変動を共有進化演算子構造の周りに組織化。 - 加法的変化のための補完的経路を保持。 - 遷移実現を予測表現や予測-ポリシー結合とは別のアーキテクチャ選択として扱う。

- 制御された動的システムを用いて、進化に特化した帰納的バイアスと演算子伝播と強制の補完的役割を検証。 - 潜在予測をポリシーに異なる方法で統合する2つのWAM定式化で評価。 - LEONが閉ループ性能とロバスト性を改善することを示す。 - 完全な遷移置換下でも有効であることを確認。 - これらの結果から、遷移実現が潜在WAMsにおける重要なアーキテクチャ選択であると結論。

- 遷移実現が潜在WAMsにおける重要なアーキテクチャ選択であると主張。 - 制御された動的システムで進化に特化した帰納的バイアスと演算子伝播と強制の補完的役割を確認。 - 2つのWAM定式化で閉ループ性能とロバスト性の改善を示す。 - 完全な遷移置換下でも有効。 - 具体的な限界や議論の詳細は要旨からは不明。

- 要旨で参照/比較されている研究: Transformer-based predictors, World Action Models (WAMs), Koopman generator view。 - 関連手法: Latent Evolution Operator Network (LEON)。 - 同分野の定番: ロボットポリシー学習、モデルベース強化学習、潜在ダイナミクスモデル。