因果的世界行動モデル：行動の原因を分離して学習する

- World action models (WAMs) は観測から latent variables を学習し、scene の予測と action 生成の両方に用いる枠組み - 本研究は WAMs が action 生成に nuisance variables を混入させず、action-relevant latent variables のみから action を生成することを保証する問題を扱う - 提案手法 CWAM (Causal WAM) は pretrained WAM の action head に sparse routing path を追加するもの - synthetic data と real-world robots で検証

- 従来の WAMs は demonstrations に適合しても action-relevant latent variables と nuisance variables が entangled になり得る点を指摘 - 予測に必要なものと action の原因を分離する点が新規 - sparsity constraint 下で action 生成に使う latent variables が action-relevant latent variables のみの invertible function となり、真の構造が latent variables の permutation まで同定されることを証明 - 十分な temporal dependence や unobserved regimes の進化に関する仮定を必要とせず、action-relevant latent variables が他と統計的に依存していても成立 - 要旨からは不明（具体的な先行研究名の比較は記載なし）

- 予測が依存するものと action の原因を分離する定式化 - sparsity constraint を課すことで action 生成用 latent variables の同定性を理論保証 - CWAM は pretrained WAM の action head に sparse routing path を追加して制約を組み込む - world modeling objective は変更しない - 学習は既存 WAM を土台に追加経路のみ導入する設計

- synthetic data での実験により理論を検証 - real-world robots での実験により理論を検証 - closed-loop success における効率改善を示す - 具体的なタスク・指標・ベースラインは要旨からは不明

- sparsity constraint の設計や強さが同定・性能に与える影響は要旨からは不明 - nuisance variables と action-relevant latent variables の統計的依存があっても成立すると主張 - real-world での closed-loop 成功の効率改善の程度や一般性は要旨からは不明 - 限界や失敗ケースについての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記されていない - 関連手法として World action models (WAMs)、latent variable models、sparse routing、causal representation learning、identifiability 理論の文献を次に読むべき - 具体的な論文名は要旨からは不明