不確実性を見通す：視覚ナビゲーションにおけるロバストなタスク指向最適化

- 本論文は、embodied AIにおけるvisual navigationのための統合的なlearning-to-optimizeフレームワークNeuROを提案している。 - 長期的な計画能力と多目的タスクへの対応が求められる実環境での展開を目指す。 - データ不足下でのOOD汎化性能の低さがボトルネックであると指摘。 - NeuROは知覚ネットワークと下流のタスクレベルロバスト最適化を密結合する。 - 不確実性を考慮したポリシーにより環境間の転移を可能にする。

- 既存のニューラルネットワークベースのエージェントは、小サンプル領域ではアーキテクチャの複雑化が逆効果になることがある。 - NeuROはアーキテクチャの複雑化ではなく、知覚と最適化の統合によりデータ不足に対処する。 - ノイズの多い視覚予測を凸不確実性集合に変換し、最適化制約として直接パラメータ化する点が新しい。 - 部分観測下の計画をロバスト最適化問題として再定式化する。 - 実験により、未見環境への汎化でSoTA性能を達成したと主張。

- 知覚ネットワークとタスクレベルロバスト最適化を統合したlearning-to-optimizeフレームワーク。 - Partially Input Convex Neural Networks (PICNNs) と conformal calibration を用いて、データ不足下のノイズ視覚予測を凸不確実性集合に変換。 - この不確実性集合が最適化制約を直接パラメータ化する。 - 部分観測下の計画をロバスト最適化問題として再定式化。 - 不確実性を考慮したポリシーにより環境間の転移を実現。

- unorderedおよびsequentialのmulti-object navigationタスクで広範な実験を実施。 - NeuROがSoTA性能を確立したと報告。 - 特に未見環境への汎化において有効性を検証。 - 具体的なデータセット名やベースライン、評価指標は要旨からは不明。

- データ不足とOOD汎化が実展開の主要課題であると議論。 - ニューラルネットの複雑化が小サンプル領域で逆効果になり得る点を指摘。 - 知覚と最適化の統合における課題（ノイズ視覚予測の扱い、部分観測下の計画）を列挙。 - 提案手法の限界や失敗ケース、計算コストに関する議論は要旨からは不明。

- Partially Input Convex Neural Networks (PICNNs) に関する論文。 - conformal calibration を用いた不確実性定量化の研究。 - ロバスト最適化に基づく計画手法（robust optimization for planning）。 - multi-object navigation のベンチマーク論文。 - 比較対象として、既存のニューラルネットワークベースのvisual navigationエージェント（具体名は要旨からは不明）。