论文页面 - CausalWAM：学习世界动作模型中动作的成因

来源：https://huggingface.co/papers/2610.42096

摘要

Causal World Action Models（因果世界动作模型）强制执行稀疏路由，以隔离与动作相关的隐变量，从而在无需时间独立性假设的情况下确保可辨识的因果结构。

World action models（世界动作模型）(https://huggingface.co/papers?q=World%20action%20models)（WAMs）从观测中学习隐变量（https://huggingface.co/papers?q=latent%20variables），并利用它们来预测场景的演变以及生成动作。预测必须覆盖整个场景，但只有场景的一部分会导致动作。基于演示数据训练的 WAM 通常不能保证其仅根据被演示动作的隐性成因（即与动作相关的隐变量）(https://huggingface.co/papers?q=action-relevant%20latent%20variables)来生成动作，因为模型完全可能在将与动作相关的隐变量与干扰变量（https://huggingface.co/papers?q=nuisance%20variables)纠缠在一起的同时，以这种方式学会模仿。因此，我们将“导致动作的因素“与“预测所依赖的因素“分离开来。我们证明，在稀疏性约束（https://huggingface.co/papers?q=sparsity%20constraint)下，用于生成动作的隐变量（https://huggingface.co/papers?q=latent%20variables)仅是与动作相关的隐变量的可逆函数（https://huggingface.co/papers?q=invertible%20function)，真实结构在隐变量（https://huggingface.co/papers?q=latent%20variables)的置换意义下可被辨识。这既不需要充分的时间依赖性，也不需要对未观测 regime 如何演化的任何假设，且即使与动作相关的隐变量与其余部分存在统计依赖性时仍然成立。因此，我们提出 CWAM（https://huggingface.co/papers?q=CWAM)（Causal WAM（https://huggingface.co/papers?q=Causal%20WAM)），它通过在其动作头上添加一条稀疏路由（https://huggingface.co/papers?q=sparse%20routing)路径，将该约束引入预训练的 WAM，而世界建模（https://huggingface.co/papers?q=world%20modeling)目标保持不变。在合成数据和真实机器人上的实验验证了该理论，并展示了闭环成功率的提升。

查看 arXiv 页面 (https://arxiv.org/abs/2610.42096) 查看 PDF (https://arxiv.org/pdf/2610.42096) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.42096)

在你的 agent 中获取这篇论文：

hf papers read 2610\.42096

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

没有模型链接到本文

在模型的 README.md 中引用 arxiv.org/abs/2610.42096，即可从此页面链接该模型。

引用本文的数据集 0

没有数据集链接到本文

在数据集的 README.md 中引用 arxiv.org/abs/2610.42096，即可从此页面链接该数据集。

引用本文的 Spaces 0

没有 Space 链接到本文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.42096，即可从此页面链接该 Space。

包含本文的合集 0

没有合集包含本文

将本文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接。