Juntao Cheng氏らは2026年10月30日(現地時間)、学術論文投稿サイトarXivにて「CausalWAM: Learning the Causes of Actions in World Action Models」と題する研究論文を発表した。World action models (WAMs) において、アクション生成の原因となる潜在変数と無関係な変数が混同される既存の課題に対し、CWAM (Causal WAM) と呼ばれる新しいフレームワークを提案している。
World action models (WAMs) は、観測データから潜在変数を学習し、シーンの将来的な変化を予測するとともに、特定のアクションを生成する。しかし、シーン全体を予測する必要がある一方で、実際のアクションを引き起こすのはシーンのごく一部にすぎない。デモンストレーションから学習する既存のWAMsは、アクション生成時にアクションに関連する潜在変数と無関係なノイズ変数を分離できないという課題を抱えていた。
研究チームは、この問題に対処するため、アクションの原因となる要素と予測が依存する要素を分離する手法を提案した。希薄性制約（sparsity constraint）の下で、アクション生成に用いられる潜在変数が、アクションに関連する潜在変数のみの可逆関数であり、真の構造が特定されることを数学的に証明した。この理論に基づき、CWAM（Causal WAM）を開発。これは、事前学習済みのWAMにスパースなルーティングパスをアクションヘッドに追加することで、上記の制約を組み込む。ワールドモデリングの目的自体は変更されていない。
CWAMの有効性は、合成データおよび実世界のロボットを用いた実験で検証された。これらの実験結果は、提案された理論が妥当であることを示し、クローズドループ成功時における効率の改善を裏付けている。
参考: arXiv cs.AI — 2026年10月31日 02:40 (JST)
原文ハイライト"We therefore propose CWAM (Causal WAM), which incorporates the constraint"