テスト時生成ビデオ推論のための時間的バックトラッキング探索

生成ビデオ推論のための test-time scaling 手法 Temporal Backtracking Search (TBS) を提案する論文。 - 従来の single-shot パラダイムでは論理的に誤った rollout を救えない問題に対処。 - 探索空間を temporal axis に移し、generate-verify-restart の反復ループとしてビデオ生成を再構成。 - algorithmic, navigation, robotics 領域で評価。

既存の test-time scaling と比較して優位性を示す。 - denoising steps 上の探索は、spatial trajectories が拡散過程の早期に確定するため論理破綻を救えない。 - Root-level Best-of-N (BoN) sampling は非効率で、推論誤りが temporal axis の早期に集中し、再サンプリングが検証済みの上流進捗を破棄する。 - TBS は matched-budget BoN を Pareto-dominates し、厳しい out-of-distribution 設定で BoN 0.7% に対し 22.7% を達成。

TBS の核心は3つのメカニズム。 - variable-K conditioning: 任意の clean prefixes から生成を再開可能。 - temporal process verification: 失敗を局所化し、有効な restart anchors を抽出。 - prefix-based search: root resampling ではなく正しい trajectories の延長に計算資源を再配分。

algorithmic, navigation, robotics の領域で検証。 - matched-budget BoN と比較し Pareto-dominates を確認。 - 厳しい out-of-distribution 設定で one-shot 生成が崩壊する中 (BoN 0.7%)、TBS は 22.7% を達成。 - 解決した全エピソードが restarted branch に由来。

ビデオモデルの局所的推論能力は single-shot rollouts が示すよりもはるかに高いことを明らかにする。 - それを引き出すスケーラブルな test-time フレームワークを提供。 - 具体的な限界や今後の課題は要旨からは不明。

要旨で参照/比較されている研究: Best-of-N (BoN) sampling, test-time scaling in large language models。 - 関連手法として diffusion models の denoising steps 探索。 - 同分野の定番として generative video reasoning の single-shot パラダイム。