日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

制御/強化学習arXiv:2607.08724

潜在記憶宮殿:制御のための推論を自己回帰変分推論として捉える

Latent Memory Palace: Reasoning for Control as Autoregressive Variational Inference

シェア:XThreadsFacebookLINEはてブBluesky

連続制御ポリシーに適応的な推論能力を持たせるため、自己回帰潜在空間での変分推論として推論を定式化し、潜在空間強化学習で変分下界を最適化する手法を提案した。

詳しい要約

1. どんなもの?

本論文は、連続制御ポリシーにおける推論(reasoning)を、自己回帰的潜在変数分布を用いた変分推論として定式化する手法「Latent Memory Palace (LMP)」を提案している。LMPは、潜在空間内で情報を組織化し、反復的かつ適応的な検索を行うことで、制御のための推論を実現する。具体的には、LMP-πというポリシーと、可変長アクショントークナイザであるLMP-tokを導入し、シミュレーションと実世界の両方で有効性を示している。

2. 先行研究と比べてどこがすごい?

従来の言語モデルにおける適応的推論の能力を連続制御に転送することは困難だった。なぜなら、言語空間での直接的な推論は、空間理解や精密な動作に必要な粒度を欠くためである。LMPは、言語空間ではなく自己回帰的な潜在空間で推論を行うことで、この問題を回避し、連続制御に適した推論を可能にしている点が新しい。また、推論を変分推論として定式化し、潜在空間強化学習を用いて変分下界を最適化する点も独自性が高い。

3. 技術・手法の肝は?

手法の核は、制御ポリシーの推論を、自己回帰的な潜在分布を持つ変分推論として定式化することにある。具体的には、潜在空間における自己回帰モデルを導入し、その変分下界を強化学習を用いて最適化する。これにより、ポリシーは反復的かつ適応的に潜在表現を検索し、行動を生成する。また、同じ枠組みから可変長のアクショントークナイザ(LMP-tok)を導出し、下流の自己回帰ポリシーの性能を向上させる。

4. どうやって有効だと検証した?

有効性の検証は、シミュレーションと実世界の両方のドメインで行われた。LMP-πは、これらのドメインで強い経験的性能を示し、解釈可能で適応的なテスト時計算の割り当てを実現した。また、LMP-tokは、下流の自己回帰ポリシーの性能を有意に向上させた。具体的なベンチマークや比較対象は要旨からは不明である。

5. 議論はある?

要旨からは、LMPが潜在空間での推論を通じて制御の柔軟性を向上させるという新たな視点を提供していることが示唆される。しかし、具体的な限界や議論(例えば、計算コスト、スケーラビリティ、他の手法との比較における優位性の詳細など)については要旨からは不明である。また、変分推論としての定式化がどの程度厳密であるか、また実世界での適用における課題についても言及がない。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、変分推論と強化学習を組み合わせた研究や、潜在空間における推論を用いた制御手法(例えば、Latent Plan, Model-Based RL, Hierarchical RLなど)が関連する。また、言語モデルにおける推論能力を制御に転送する試み(例えば、Language Model as Policy)も関連する。具体的な論文名は不明のため、これらの一般名を挙げる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Chuning Zhu, Eva Xu, Jose Barreiros, Krishnan Srinivasan, Paarth Shah, Abhishek Gupta

分類: cs.LG, cs.RO

原文アブストラクト

Human decision-making is highly flexible -- some actions are taken immediately; others require longer deliberation. Language models have exhibited a similar capacity for adaptive "reasoning." However, transferring this capability to continuous control policies has been challenging, as directly reasoning in language space may lack the granularity for spatial understanding and precise motions. In this work, we show that reasoning for control policies can emerge by organizing information in an autoregressive latent space reminiscent of a memory palace, where retrieval is iterative and adaptive. Our method, Latent Memory Palace (LMP), formulates reasoning as variational inference with an autoregressive latent distribution. We derive a latent-space reinforcement learning technique to tractably optimize its variational lower bound. The resulting policy, LMP-$\pi$, achieves strong empirical performance in simulation and real-world domains while exhibiting interpretable, adaptive allocation of test-time compute. We further show that the same framework yields a variable-length action tokenizer, LMP-$\texttt{tok}$, which significantly improves the performance of downstream autoregressive policies. Together, these results present a new perspective on latent reasoning for control through the lens of variational inference.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI