はさみを持って走るな：VLAモデルは枝刈りで壊れるが回復可能

- Vision-Language-Action (VLA) モデルを resource-limited hardware へ配備するための圧縮手法の研究。 - pruning を VLA に適用すると性能が大幅に劣化し safety violations が増えることを観察。 - その劣化を回復する post-pruning recovery 手法 GLUESTICK を提案。 - 追加学習なしで sparsity の利点を保ちつつ機能を回復させる。

- pruning は LLM の効率圧縮で広く研究されてきたが、robotics ではほとんど検討されていなかった。 - 先行研究の知見をそのまま VLA に持ち込むと性能劣化と safety violations 増加が起きることを示した点が新しい。 - GLUESTICK は pruning algorithm に依存せず、追加学習を必要としない回復手法である点が従来の再学習ベースの回復と異なる。

- dense model と pruned model の間で weight-space 上で一度だけ interpolation を行い corrective term を計算。 - 推論時に各 pruned layer がこの correction を用いて失われた能力を回復。 - 追加学習は不要で、pruning algorithm に agnostic。 - efficiency と accuracy の tradeoff を制御する単一の hyperparameter を導入。

- 多様な VLA architectures と manipulation・navigation のタスクで評価。 - competitive な memory efficiency を保ちながら success rates を大幅に回復し safety violations を低減することを示した。 - 詳細な実験設定やベースラインは要旨からは不明。

- pruning が VLA の安全性を損なうという実務上重要な問題提起を含む。 - 単一 hyperparameter による efficiency-accuracy tradeoff の制御が可能。 - 具体的な限界や失敗ケース、他の圧縮手法との比較は要旨からは不明。

- 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 LLM の pruning 研究、VLA モデル全般、post-pruning recovery 手法を挙げて読むのが妥当。 - 詳細は https://gluestick-vla.github.io/ を参照。