表現事前分布がワールドアクションモデルの汎化をどう形作るか

- World action models (WAMs) の generalization 性能が generative backbone によって大きく異なる現象を、backbone 由来の representational geometry の観点から調べる研究。 - 中心仮説は、有用な representational prior が、policy 学習前に nuisance 情報と in-distribution manifold を分離する幾何構造を持つというもの。 - これを nuisance orthogonality（empirical in-distribution manifold 外の視覚変化に対する特徴の直交性）で定量化する。

- 従来は WAM の generalization 差が backbone 間で生じる理由が不明だったのに対し、representational geometry という幾何的視点で説明を試みる点が新しい。 - 学習前の representational prior の性質（nuisance orthogonality）から、WAM 学習後の視覚変化への robustness を prospectively に予測・測定できることを示す。 - 具体的な先行研究名は要旨からは不明。

- 各種 image/video backbone が持つ representational prior の geometry を nuisance orthogonality で定量化する。 - WAM の policy training がその geometry をどう再編成するかを分析する。 - 学習後の robust な WAM について、nuisance suppression（視覚変化による特徴変位の相対的抑制）と robust な action generation を解析する。

- 複数の image/video backbone を対象に、representational prior の nuisance orthogonality と WAM 学習後の視覚変化への robustness の関連を実証的に示す。 - 高い orthogonality が強い robustness と関連することを確認。 - robust な WAM で nuisance suppression と robust な action generation を分析。 - 具体的なデータセット名・評価指標の詳細は要旨からは不明。

- representational prior の geometry が WAM の generalization を形作るという幾何的視点を提示。 - 学習前の prior から generalization を prospectively に測定できる可能性を示唆。 - 限界や反例、他の要因との比較に関する議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として、world models、vision-language-action models (VLA)、image/video generative backbones（例: diffusion models, video pretraining）などの同分野の定番研究を次に読む候補として挙げる。