כתבה
arXiv cs.AI ·
על הפרדת דיוק ואחידות מנגנון בעולמות זמן סדרתיים
On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models
עולמות זמן סדרתיים (TSWM) נמצאו כמפגינים דיוק ואחידות מנגנון שונים. נמצא כי חלוקת מרחב נפשי קפואה ואיחוד פלן יציאה מטה יורדים את שגיאת MAE ב-9.9% ו-12.7% בממוצע, בהתאמה, על כל שמונה הסטים. נמצא כי דיוק ואחידות מנגנון נפרדים, ואין תכנית שיפור שמצליחה למנוע זאת. נמצא כי פיקוח במישור הכיווני, המעניש את החלק השלילי של התגובה לפעולה שונה, גדל את אחידות המנגנון ב-5 מתוך 5 הסטים.
תקציר מקורי באנגליתarXiv:2610.01842v1 Announce Type: new Abstract: A time series world model (TSWM) predicts a controlled system's state from its observed history and planned actions and exogenous inputs. Current approaches build forecasters with actions as covariates, trained and evaluated on prediction error under the executed plan. Yet world models compare unexecuted plans, but their responses to changed plans remain untested. We ask which design choices matter and whether accurate forecasters respond to changed plans as real systems do. We address both with a formalization and benchmark. The formalization separates state, actions and exogenous inputs, distinguishes continuous, mode and event actions, and introduces mechanism consistency, a metric built on declared action-state relations with known direct
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית