EgoForesight：ノイズを含む一人称視点行動データで方策学習を効果的にスケールする

- ロボット実演と egocentric videos の両方から policy learning をスケールさせる vision-language-action フレームワーク EgoForesight を提案 - egocentric videos はタスク・環境のカバレッジを広げるが、motion reconstruction と retargeting により noisy action labels が混入する問題に対処 - 信頼できない action labels の影響を低減しつつ、demonstrated outcomes を補完的 supervision として活用する - 実世界 open-loop action MSE を 20.5% 削減し、RoboCasa few-shot success を 8.1 percentage points 改善

- 従来は robot demonstrations が高品質だが収集コスト大、egocentric videos は広範だが noisy action labels を伴うというトレードオフがあった - EgoForesight は両ソースを併用し、noisy labels の影響を抑えつつ outcomes を補完監督に使う点が新しい - テスト範囲において baseline より急な scaling slopes を示し、30,000 hours の pretraining data で有効性を確認 - 具体的な比較対象の先行研究名は要旨からは不明

- 将来の視覚表現予測と action generation を結合する joint vision-action flow を採用 - reliability-conditioned corruption により、ソース信頼度に応じて action supervision を noise level 別に配分 - reliability-weighted regression で各ソースの寄与を調整 - privileged-future representation distillation を導入: EMA teacher が現在の scene と clean future を観測し scene change から action-relevant structure を符号化 - その深い表現が corrupted future を受け取る earlier student layer を監督し、noisy action annotations を超えた outcome-informed structure を提供

- 30,000 hours の pretraining data において baseline より急な scaling slopes を確認 - 実世界 open-loop action MSE を 20.5% 削減 - RoboCasa few-shot success を 8.1 percentage points 改善 - post-training 後、simulated および real-world dexterous manipulation の両方で強い絶対性能を達成

- noisy egocentric actions 下での scaling の有効性を示す一方、テスト範囲を超えた挙動や限界は要旨からは不明 - 各機構（reliability-conditioned corruption、reliability-weighted regression、privileged-future representation distillation）の個別寄与の分析は要旨からは不明 - 実世界 dexterous manipulation の具体的タスクや評価条件は要旨からは不明

- 要旨で参照・比較されている具体的な先行研究は明示されていない - 関連手法として vision-language-action モデル、egocentric video からの policy learning、noisy label learning、knowledge distillation、EMA teacher を用いた表現学習の定番研究を次に読むべき - RoboCasa ベンチマークおよび dexterous manipulation 関連の研究も参照候補