表現世界モデル：表現空間における状態・遷移・実行可能計画の学習

- 提案は Representation World Model (RWM)。 - states, transitions, executable plans を representation space で直接学習。 - 既存 world model のように latent representation と explicit dynamics model を別々に学び、search/optimization/policy で planning するのではなく、planning を learned representation geometry に組み込む。 - 推論時は current と goal の representation 間の latent path を直接構成し、inverse dynamics で action を復元。recursive rollouts や action-space search は不要。 - continuous-control benchmarks と robotic manipulation で有効性・可能性を示す。

- 既存 world model は通常、latent representation と explicit dynamics model を同時に学習し、planning を search, optimization, policy-based prediction で行う。 - RWM は planning を learned representation geometry に直接組み込む点が異なる。 - 推論時に recursive rollouts や action-space search を必要とせず、latent path 構築と inverse dynamics で action を復元する。 - これにより conventional world-model planning に対する代替を提示。

- representation geometry を、endpoint representations から構成した latent paths に沿って inverse-dynamics supervision を局所的に適用して学習。 - この latent paths は task-relevant state と transition information を保持するよう要求。 - 推論時は current と goal の representation 間の latent path を直接構築。 - inverse dynamics を用いて対応する action を復元。 - recursive rollouts や action-space search を回避。

- continuous-control benchmarks で direct planning の有効性を実験的に示す。 - robotic manipulation の結果から、より複雑な embodied control tasks への拡張可能性を示す。 - 具体的なベンチマーク名、比較手法、評価指標は要旨からは不明。

- 結果は、representation space で直接 planning することが conventional world-model planning の有望な代替となることを示唆。 - 限界や失敗事例、計算コスト、スケーラビリティに関する議論は要旨からは不明。

- 要旨で参照・比較されている具体的な先行研究は明示されていない。 - 関連手法として、latent representation と explicit dynamics model を学ぶ既存の world models、planning に search/optimization/policy-based prediction を用いる手法、inverse dynamics を用いる手法が挙げられる。 - 同分野の定番として、model-based reinforcement learning、latent dynamics models、continuous-control benchmarks に関する研究を読むべき。