順位は正しいが尺度が誤り：ロボット世界モデルのダイナミクスモデルの再現と後続研究の不確実性の検証

- Robotic World Model (RWM) の dynamics model を再実装し、その follow-up である RWM-U が offline policy optimization の reward ペナルティに用いる uncertainty estimate を検証した再現研究。 - 実装は released model の gradients と一致。 - 対象は1 robot・1 gait・1 dataset に限られ、policy の学習は行っていない。

- 先行研究との比較の記述は要旨からは不明。 - 本研究内の比較として、held-out data 上で model 自身の rollouts による training が one-step training に preregistered long horizon で全10 episodes 勝ち、short one-step windows では負けることを示した。 - RWM-U の ensemble disagreement は forecast step より rollout errors を良く rank する (100 steps で Spearman rho = 0.90) 一方、spread が誤差を大きく過小評価することを明示。

- RWM の dynamics model を再実装し、released model との gradients 一致を確認。 - RWM-U の ensemble disagreement を uncertainty 指標として評価。 - one-sigma coverage を calibrated Gaussian (68%) と比較し、released checkpoint で 100 steps 時 4.6% と測定。 - ensemble members を自身の予測で rolling すると coverage が 33% に上昇。 - sampled predictions 上の squared-error loss が各 member の variance をゼロ方向へ駆動することを指摘。 - horizon-specific rescaling を leave-one-episode-out 評価で検証。

- held-out data 上で long horizon (preregistered) と short one-step windows の両方で training 手法を比較。 - ensemble disagreement と rollout errors の Spearman rho を 100 steps で算出 (rho = 0.90)。 - one-sigma coverage を released checkpoint で測定 (100 steps で 4.6%)。 - rolling ensemble members で coverage 33% を確認。 - horizon-specific rescaling を leave-one-episode-out で評価し one-sigma coverage は回復、two-sigma coverage は回復せず。 - released evaluation pipeline の2つの欠陥を特定。

- RWM-U の ensemble disagreement は ranking 性能は高いが scale が誤っており、uncertainty の絶対値として信頼できない。 - squared-error loss が variance をゼロに駆動する構造的問題を指摘。 - horizon-specific rescaling は one-sigma のみ回復し two-sigma は未解決。 - released evaluation pipeline に2つの欠陥。 - 1 robot・1 gait・1 dataset のみで policy 学習なしという一般化の限界を明記。

- 要旨で参照されている RWM および RWM-U の原論文。 - offline policy optimization における uncertainty penalty の関連研究。 - ensemble disagreement や calibrated Gaussian など uncertainty calibration の定番手法。 - world model の rollout-based training に関する比較研究。