Twincher: На пути к активному и точному физическому ИИ с помощью обучения биъективному представительству

arXiv:2605.13470v3 Тип уведомления: заменить резюме: Восприятие и планирование в физических системах часто требуют непрерывного использования карты $p kmapsto y = f(p) долл., например, дистрибьютора или симулятора, которые могут быть запрошены, но не перевернуты в закрытом виде. Обобщаемые обратная связь ограничивается их приблизительной ошибкой, в то время как итеративные решения в наблюдательном пространстве могут затормозить на неверных стационарных точках. Вместо этого мы выучим показатель в $r(y) долл., не чувствительный к возмущениям в размере долларов США, нормальным по отношению к коллектору данных, где $p mapsto r(f(p)) доллар является хорошо обусловленным бигезией. В этих координатах проблема наименьших квадратов в обратном направлении не имеет поддельных внутренних стационарных точек, так что итерация Гаусса-Ньютона с точной передней моделью соответствует точности разрешения на получение данных; обучаемая модель должна быть только качественно корректной. Мы представляем Твинчера, совершенно неверную архитектуру локальной ротации районов с сохранением участков, обученную целям Якобианского уровня и программе расширения домена. С