NaVIDA：逆動力学による拡張を用いた視覚言語ナビゲーション

要約

NaVIDAは、視覚言語ナビゲーション（VLN）のための新手法です。行動が視覚的な変化をどう引き起こすか（因果関係）を学習させる「チャンクベースの逆ダイナミクス」を導入しました。これにより、より正確な予測とエラー蓄積の抑制を実現し、既存の最先端手法よりも少ないパラメータ数（3B対8B）で優れた性能を達成しました。

全文は有料プランで閲覧できます。