中央値時間アンサンブル：アクションチャンク型視覚運動ポリシーのための学習不要なロバスト集約

- 本論文は、action-chunked visuomotor policies における temporal ensembling の脆弱性を指摘し、その代替として median temporal ensembling を提案する。 - 従来の exponentially weighted mean による集約は、1つの corrupted prediction で出力が大きく変わり、breakdown point が 0 である。 - 提案手法は coordinate-wise median を用いることで、訓練不要かつ1行の変更で robust な集約を実現する。 - 敵対的 corruption やカメラフレームの blank など、実環境で起こりうる障害に対して有効性を示す。

- 従来の temporal ensembling は exponentially weighted mean を用いており、外れ値に極端に弱い。 - 敵対的 fine-tuning による防御は、攻撃の step size を増やすと回復率が 44% から 7.3% に低下するのに対し、median temporal ensembling は回復率がほぼ一定で、攻撃最適化に対して頑健。 - 25 の (configuration, corruption-level) 組み合わせで、mean より悪化することは一度もなく、15 で有意に改善。 - 第二の policy class にも転移し、攻撃者がいない blank フレーム障害でも性能を回復する。

- 各 timestep をカバーする M 個の候補予測に対し、coordinate-wise median を計算して集約する。 - これにより、最大 q 個の候補が任意の大きさで corrupted でも、その影響を組合せ的に制限できる（combinatorial guarantee）。 - 訓練や再学習は不要で、既存の temporal ensembling の mean を median に置き換えるだけの1行の変更。 - ただし、全ての covering prediction が同じ量だけシフトする corruption には無力であり、equivariant aggregator では除去できない限界がある。

- 敵対的 corruption を用いて、mean と median の頑健性を比較。 - 公開されている patch attack 下で、encoder adversarial fine-tuning は 44% の損失回復を示すが、攻撃の step size を増やすと 7.3% に低下。一方 median は回復率がほぼ一定。 - 25 の (configuration, corruption-level) 組み合わせで評価し、median は mean より悪化せず、15 で有意に優れる。 - 第二の policy class への転移、および攻撃者がいない blank カメラフレーム障害での性能回復も確認。 - クリーンデータへの影響は configuration 依存で -0.04 から +0.07 の範囲。

- median temporal ensembling は訓練不要で実装が容易であり、敵対的攻撃や blank フレームに対して頑健。 - しかし、全ての covering prediction が同じ方向に同じ量だけシフトする corruption には無力である。 - このような corruption はこの統計量ファミリー全体で不可視であり、equivariant aggregator では除去できないという理論的限界が示されている。 - クリーンデータへの影響は configuration に依存し、常に改善するわけではない。

- 要旨で参照/比較されている研究: temporal ensembling (exponentially weighted mean), encoder adversarial fine-tuning, patch attack。 - 関連手法: action-chunked visuomotor policies, coordinate-wise median, equivariant aggregator。 - 同分野の定番: robust aggregation, adversarial defense for visuomotor policies。