PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27167v1cs.RO

중간값 시간 앙상블: 액션 청크 시각-운동 정춌을 위한 무학습 강건 집계

Median Temporal Ensembling: Training-Free Robust Aggregation for Action-Chunked Visuomotor Policies

액션 청크(action-chunked) 시각-운동(visuomotor) 정책은 서로 겹치는 궤적을 예측하므로, 실행되는 모든 액션은 여러 예측에 의해 커버된다. 시간 앙상블(temporal ensembling)은 지수 가중 평균으로 이들 예측을 결합해 실행을 평활화한다. 하나의 오염된 예측이 집계값을 무한히 이동시킬 수 있으며, 그 붕괴점(breakdown point)은 0이다. 우리는 배포된 이 집계기를 스트레스 테스트하기 위해 적대적 오염을 사용하고, 두 종류의 보장을 비교한다. 메트릭 보장(metric guarantee)은 주어진 크기의 perturbation에 대한 응답을 한정한다. 조합론적 보장(combinatorial guarantee)은 대신 한 timestep을 커버하는 M개 후보 중 최대 q개가 오염되었을 때(크기와 무관하게) 피해를 한정한다. 인코더 적대적 미세조정(fine-tuning)은 공개된 patch attack 하에서 손실(loss)의 44%를 회복하지만, 공격자의 step size를 키우면 7.3%에 불과하다. 반면 동일 후보 집합의 좌표별 중간값(coordinate-wise median)은 공격 최적화가 증가해도 회복 비율을 일정하게 유지한다. 중간값 시간 앙상블(Median temporal ensembling)은 한 줄이면 되며 재학습이 필요 없다. 25개의 (구성, 오염 수준) 조합 전반에서 평균보다 나쁜 경우는 없었고 15개에서 유의하게 더 좋았다. 또한 두 번째 정책 클래스에도 전이되며, 공격자가 전혀 없는 실패—빈(blank) 상태로 도착하는 카메라 프레임—에서도 성능을 회복한다. 깨끗한(clean) 데이터에 대한 영향은 구성에 따라 -0.04에서 +0.07까지 다양하다. 우리는 또한 경계를 제시한다: 커버하는 모든 예측을 동일한 양만큼 이동시키는 오염은 이 통계군 전체에 보이지 않으며, 어떤 equivariant 집계기도 이를 제거할 수 없다.