🤖 machine learning

Conformal Orbit-Valid Trust Horizons for Equivariant World Models

Dieses Paper schlägt ein konformes Zertifizierungsframework für latente Weltmodelle mit bekannten Symmetrien vor und demonstriert, dass exakte Äquivarianz den Transport kalibrierter, nicht-vakuumsartiger Vertrauenshorizont-Kurven über Gruppenbahnen ermöglicht, während bei empirischen Audits null antikonservative Verletzungen erreicht werden.

Ursprüngliche Autoren: Hongbo Wang

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Hongbo Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Idee: Wie lange kannst du dem Kristallball eines Roboters vertrauen?

Stell dir vor, du hast einen Roboter, der versucht, die Zukunft vorherzusagen. Er betrachtet die Welt, macht eine Vermutung darüber, was als Nächstes passieren wird, und nutzt diese Vermutung, um seinen nächsten Schritt zu planen. Das nennt man ein „Weltmodell“.

Das Problem ist, dass diese Roboter nicht perfekt sind. Wenn sie die Zukunft zu weit vorausplanen, werden ihre Vermutungen ungenau und fehlerhaft. Wenn sie auf einer schlechten Vermutung basierend handeln, könnten sie abstürzen oder etwas fallen lassen.

Die Kernfrage: Wie weit in die Zukunft kann dieser Roboter sicher blicken, bevor seine Vorhersagen unzuverlässig werden?

Dieses Paper führt ein „Trust Horizon Certificate“ (Vertrauenshorizont-Zertifikat) ein. Stell es dir wie ein Sicherheits-Ablaufdatum für die Vorhersagen des Roboters vor. Es rät nicht nur; es beweist mathematisch: „Du kannst dieser Vorhersage genau für X Schritte vertrauen, aber nicht länger.“

Die Geheimwaffe: Symmetrie (Das „Orbit“-Konzept)

Die Roboter in dieser Studie besitzen eine besondere Superkraft: Symmetrie.

Stell dir einen Roboter vor, der mit einem Ball auf einem perfekt runden, reibungsfreien Tisch spielt.

Wenn der Roboter den Ball nach Norden stößt, lernt er, wie der Ball rollt.
Da der Tisch rund ist und die Physik überall dieselbe ist, sollte der Roboter eigentlich auch wissen, wie der Ball rollen würde, wenn er nach Osten, Süden oder Westen gestoßen wird. Es ist dasselbe Spiel, nur gedreht.

In der Mathematik nennt man das Äquivarianz. Der Roboter versteht, dass sich die Regeln des Spiels nicht ändern, nur weil man den Tisch dreht.

Die große Entdeckung des Papers:
Normalerweise muss ein Roboter, um sicher zu sein, seine Vorhersagen in jede Richtung testen (Norden, Osten, Süden, Westen), um sicherzustellen, dass es überall funktioniert. Das kostet viel Zeit und Daten.

Aber weil dieser Roboter Symmetrie versteht, haben die Autoren eine Abkürzung gefunden:

Wenn du beweist, dass der Roboter in eine Richtung sicher ist (ein „Wedge“ bzw. Keil), dann weißt du automatisch, dass er in allen Richtungen sicher ist.

Es ist wie beim Testen eines Autoreifens. Wenn du beweist, dass der Reifen hält, wenn das Auto nach Norden fährt, und du weißt, dass das Auto perfekt symmetrisch ist, musst du nicht testen, ob er nach Osten, Süden oder Westen hält. Das „Vertrauens-Zertifikat“, das du für die Nordreise erstellt hast, ist für die gesamte Reise um die Welt gültig.

Wie sie das „Vertrauens-Zertifikat“ gebaut haben

Die Autoren nutzten einen statistischen Trick namens Conformal Prediction. Hier ist die Analogie:

Die rohe Vermutung: Der Roboter macht eine Vorhersage und sagt: „Ich glaube, ich bin zu 90 % genau.“
Die Sicherheitsmarge: Die Autoren sagen: „Wir vertrauen diesen 90 % noch nicht. Lass uns einen Sicherheitspuffer hinzufügen.“ Sie multiplizieren den Fehler mit einem Faktor (wie das Hinzufügen einer 10 %igen Sicherheitsmarge zur Gewichtsgrenze einer Brücke).
Das Audit: Sie testen den Roboter 50 Mal. In jedem einzelnen Test blieb der Roboter innerhalb der Sicherheitsmarge.
Das Ergebnis: Sie haben ein Zertifikat erstellt, das besagt: „Wir sind zu 95 % sicher, dass dieser Roboter innerhalb dieses Zeitlimits nicht versagen wird.“

Die Magie: Da die Symmetrie (das „Orbit“-Konzept) vorhanden ist, mussten sie diesen Test nur an einem kleinen Ausschnitt der Welt durchführen. Sobald dieser Ausschnitt zertifiziert war, bewies die Mathematik, dass der gesamte Kreis kostenlos zertifiziert war.

Die zwei Welten: Wo es funktioniert und wo nicht

Die Autoren testeten dies in zwei verschiedenen Umgebungen, und die Ergebnisse waren überraschend nuanciert:

1. Der runde Tisch (2D symmetrische Welt)

Das Setup: Eine flache, perfekt runde Oberfläche, auf der alles aus jedem Blickwinkel gleich aussieht.
Das Ergebnis: Selbst Roboter ohne die Symmetrie-Superkraft („plain“ Roboter) funktionierten hier gut. Da die Welt so einfach und rund war, hatten die einfachen Roboter die Regeln quasi zufällig durch genügend Beispiele gelernt.
Die Lehre: In einer perfekt symmetrischen Welt bringt die Symmetrie-Superkraft nicht viel Zeitersparnis, da die Welt bereits leicht zu erlernen ist.

2. Der 3D-Tisch (Die reale Welt)

Das Setup: Ein 3D-Tisch, bei dem die Schwerkraft nach unten zieht. Man kann den Tisch um die vertikale Achse (Yaw) drehen, aber man kann ihn nicht auf den Kopf stellen (die Gravitation bricht die volle Symmetrie).
Das Ergebnis: Hier spielte die Symmetrie-Superkraft eine Rolle.
- Der symmetrische Roboter erhielt ein „Ein-Schritt-Zertifikat“. Er musste nur eine Richtung testen, um überall sonst sicher zu sein.
- Der einfache Roboter scheiterte. Er musste viele Richtungen testen oder machte ständig Fehler. Er war entweder übermäßig vorsichtig (verschwendete Zeit) oder verletzte die Sicherheitsregeln.
Die Lehre: In komplexen, realen Szenarien, in denen Symmetrie existiert, aber nicht perfekt ist, spart die Superkraft eine massive Menge an Testzeit und Risiko.

Der Haken: Das „Planungs“-Problem

Die Autoren versuchten, dieses Zertifikat zu nutzen, um dem Roboter bei der Planung seiner Bewegungen zu helfen (z. B. bei der Entscheidung: „Ich werde auf ein Ziel in 3 Schritten abzielen“).

Die Hoffnung: „Wenn das Zertifikat sagt, dass ich für 3 Schritte sicher bin, dann plane ich 3 Schritte voraus.“
Die Realität: Das interne „Gehirn“ (der Prädiktor) des Roboters war etwas wackelig. Obwohl das Zertifikat „Sicher“ sagte, variierte die tatsächliche Leistung des Roboters von Versuch zu Versuch stark.
Das Fazament: Das Zertifikat ist eine großartige Sicherheitsleitplanke, aber es hat in diesem speziellen Experiment den Roboter nicht automatisch zu einem besseren Planer gemacht. Der Roboter hatte immer noch Schwierigkeiten vorherzusagen, wie er seinen Arm bewegen muss, um ein Ziel zu treffen, selbst wenn er wusste, wann er aufhören sollte.

Zusammenfassung in einem Satz

Dieses Paper beweist, dass, wenn ein Roboter die symmetrischen Regeln seiner Welt versteht, man seine Sicherheit in nur einer Richtung testen kann und mathematisch garantieren kann, dass er in allen Richtungen sicher ist, was enorme Mengen an Zeit und Daten spart – auch wenn dies nicht automatisch jedes Planungsproblem löst, vor dem der Roboter steht.

Technisches Resümee: Konforme Orbit-valide Vertrauenshorizonte für Äquivariante Weltmodelle

1. Problemstellung

Gelernte Weltmodelle sind inhärent durch ihren Rollout-Fehler begrenzt, der über die Zeit ansteigt. Während modellbasierte Planung und Selbstüberwachung darauf angewiesen sind, diese Modelle vorwärts zu rollen, gibt es keine prinzipielle Methode, um den „Vertrauenshorizont“ zu bestimmen – also die spezifische Anzahl an Schritten, über die die Vorhersagen eines Modells zuverlässig bleiben. Bestehende Ansätze verlassen sich oft auf feste Hyperparameter (z. B. einen festen Horizont $H=25$ ), die spezifisch für eine einzelne Verteilung sind und keine formalen Garantien bieten.

Darüber hinaus bleibt für Weltmodelle mit bekannten Gruppensymmetrien (äquivariante Modelle) eine kritische Frage offen: Können ein aus einer lokalen Region abgeleitetes Vertrauenszertifikat über die gesamte Gruppenorbit hinweg gültig sein, ohne dass eine separate Kalibrierung für jeden transformierten Zustand erforderlich ist? Aktuelle Methoden entweder verfügen nicht über formale Sicherheitsgarantien oder versäumn es, die geometrische Struktur der Äquivarianz zu nutzen, um die Kalibrierungskosten zu senken.

2. Methodik

2.1 Das äquivariante Weltmodell-Setup

Die Autoren definieren ein latentes Weltmodell, bestehend aus:

Encoder ( $E$ ): Bildet Beobachtungen $x$ auf Latente $z$ ab.
Prädiktor ( $f$ ): Fortschreitet die Latenten unter Berücksichtigung von Aktionen $a$ ( $\hat{z}_{t+1} = f(z_t, a_t)$ ).
Symmetrie: Das Modell erfüllt Äquivarianzbedingungen, wobei $E(g \cdot x) = \rho(g)E(x)$ und $f(\rho(g)z, \sigma(g)a) = \rho(g)f(z,a)$ für eine Gruppe $g \in \mathcal{G}$ .
Implementierung: Encoder werden als CN-steerable Netzwerke (2D) oder Vector-Neuron/SE(3)-Netzwerke (3D) realisiert. Die Äquivarianz wird mittels Unit-Tests verifiziert, die Residuen gegen Maschinengenauigkeit oder gelernte Toleranzen prüfen.

2.2 Rohhorizont und konforme Kalibrierung

Der Kern der Methodik besteht im Aufbau eines Vertrauenshorizont-Zertifikats:

Rohkurve: Ein einstufiges latentes Residuum $\hat{\delta}$ und eine endliche Zeit-Expansionsschätzung $\hat{\lambda}_1$ (abgeleitet aus der Jacobi-Matrix des Prädiktors via Benettin/QR-Schemata) bilden eine rohe Fehlerfortpflitungskurve:
$\widehat{Err}(H) = \hat{\delta} \sum_{t=0}^{H-1} e^{\hat{\lambda}_1 t}$
Der Rohhorizont $H_{raw}$ ist die maximale Anzahl an Schritten, bei denen dieser Fehler unter einer Toleranz $\epsilon$ bleibt.
Split-Konforme Kalibrierung: Um die statistische Validität zu gewährleisten, wird die Rohkurve durch einen multiplikativen Faktor $\gamma_\alpha$ $γ_{α}$ skaliert. Der zertifizierte Horizont $H_{conf}$ $H_{co n f}$ ist definiert als $\widehat{Err}_{conf}(H) = \gamma_\alpha \widehat{Err}(H) \le \epsilon$ $E r r_{co n f} (H) = γ_{α} E r r (H) \leq ϵ$ .
- Der Faktor $\gamma_\alpha$ wird mittels Split-konformer Prädiktion auf einem Kalibrierungsdatensatz bestimmt, um sicherzustellen, dass für eine frische, austauschbare Prüfung gilt: $P(H_{conf} \le H_{meas}) \ge 1-\alpha$ .
- Entscheidend ist, dass in dem reproduzierbaren Audit-Set der Autoren die Rohkurve bereits konservativ war, was zu einem $\gamma_\alpha = 1.0$ führte.

2.3 Orbit-valider Transport

Das Paper führt ein strukturelles Resultat ein, das die statistische Kalibrierung mit der geometrischen Eigenschaft der Äquivarianz kombiniert:

Theorem A (Orbit-Transport): Wenn das Modell exakt äquivariant ist, sind die Rollout-Fehler, Expansionsraten und die daraus resultierenden Horizontkurven entlang des Gruppenorbits konstant.
Korollar C (Orbit-valides Zertifikat): Wenn ein Zertifikat in einer fundamentalen Region (einem „Keil“) kalibriert wird und exakte Äquivarianz vorliegt, ist das Zertifikat für den gesamten Orbit mit demselben Konfidenzniveau $1-\alpha$ gültig.
Implikation: Äquivarianz transformiert das orbitweite Abdeckungsereignis (das eine Vereinigung über alle Gruppentransformationen erfordern würde, was Union-Bounds und massive Datenmengen zur Folge hätte) in ein einzelnes kalibriertes Ereignis. Dies eliminiert die Notwendigkeit für orbitweise Kalibrierungsdaten.

2.4 Umgang mit approximativer Äquivarianz

Da trainierte Netzwerke nur annähernd äquivariant sind, berücksichtigen die Autoren Transport-Residuen ( $R_t$ ) mittels Lipschitz-Schranken auf den Encoder- und Prädiktor-Defekten. Empirisch wurden diese Residuen als klein befunden (Median 1,1 %), was es dem Zertifikat ermöglicht, mit minimaler Inflation gültig zu bleiben.

3. Zentrale Beiträge

Konformes Vertrauenshorizont-Zertifikat: Eine Methode, um eine rohe latente Fehlerfortpflitungskurve mittels Split-konformer Kalibrierung in ein einseitiges, konservatives Zertifikat umzuwandeln. Die Methode erreichte 0/50 anti-konservative Verletzungen bei stabilen Audits, mit einer exakten-binomialen 95%-Obergrenze von 5,8 % auf die Verletzungsrate.
Orbit-Validitäts-Theorem: Ein Beweis, dass exakte Äquivarianz erlaubt, ein in einem einzelnen Sektor kalibriertes Zertifikat ohne zusätzlichen Kalibrierungsaufwand über den gesamten Gruppenorbit zu transportieren (Korollar C).
Schärfe und Residuen-Berücksichtigung: Das Zertifikat ist nicht-vakuos, mit einem medianen Verhältnis von zertifiziertem zu gemessenem Horizont ( $H_{conf}/H_{meas}$ ) von 0,67. Implementierungsbedingte Transport-Residuen waren gering (Median 1,1 %, Max 4,1 %).
Substratabhängige Kalibrierungskosten: Das Paper identifiziert, dass der Nutzen der Äquivarianz zur Reduzierung der Kalibrierungskosten vom Datensubstrat abhängt.
- 2D Symmetrisches Substrat: Nicht-äquivariante Baselines waren aufgrund der symmetrischen Umgebung bereits annähernd orbit-robust, sodass Äquivarianz keinen Unterschied in den Kalibrierungskosten bewirkte.
- 3D Yaw-Substrat: Nicht-äquivariante Baselines konnten Orbit-Sicherheit nicht ohne signifikanten Slack, Verletzungen oder Seed-Instabilität erreichen. Äquivariante Modelle erzielten ein sicheres, nicht-vakuos Zertifikat aus einem einzigen Kalibrierungssektor.

4. Ergebnisse und empirische Befunde

Sicherheit: Über 50 stabile Audit-Zellen hinweg zeigte das konforme Zertifikat mit $\gamma_\alpha=1.0$ null anti-konservative Verletzungen.
Schärfe: In 172 Zell-Checks behielten 98 % der Checks mindestens 25 % des gemessenen Horizonts bei, und 69 % behielten mindestens 50 %. Das Zertifikat fungiert als scharfer Durchlass (Feasibility Gate) für kurze Horizonte ( $H \in [1,8]$ ).
Kalibrierungskosten:
- In 2D (PushT) waren äquivariante, einfache und augmentierte Modelle alle orbit-valide aus einem Sektor heraus.
- In 3D (ManiSkill yaw) erhielt das äquivariante Modell ein sicheres Ein-Sektor-Zertifikat, während gesunde nicht-äquivariante Baselines Kosten in Form von Verletzungen, Slack-Multiplikatoren ( $\gamma_\alpha \approx 1,9$ ) oder einem Zusammenbruch der Schärfe verursachten.
Planungsanwendung (Negatives Resultat): Die Autoren versuchten, den zertifizierten Horizont zu nutzen, um den Abstand der Subziele in einem 3D CEM-MPC-Planer zu steuern. Dies war nicht erfolgreich. Das Planungs-Substrat wies eine hohe Varianz über verschiedene Seeds auf, und es wurde kein detektierbarer Zusammenhang zwischen dem zertifizierten Vertrauenshorizont und dem optimalen Planungshorizont gefunden. Die Autoren führen dies auf einen „State-Sufficiency Bottleneck“ zurück, bei dem die latente Repräsentation nicht über die für die Dynamikvorhersage in einer gravitativ gebrochenen Umgebung notwendigen Geschwindigkeitsinformationen verfügte.

5. Bedeutung und Behauptungen

Das Paper behauptet, dass Äquivarianz die Kalibrierung nicht ersetzt; sie gibt der Kalibrierung eine Geometrie.

Strukturell vs. Empirisch: Das Orbit-Transport-Theorem ist ein strukturelles Garantieversprechen, das immer gilt, wenn exakte Äquivarianz vorliegt. Der empirische Nutzen (reduzierte Kalibrierungskosten) manifestiert sich jedoch nur dann, wenn die Datenverteilung nicht bereits eine annähernde Orbit-Robustheit in nicht-äquivarianten Baselines induziert.
Natur der Garantie: Das Zertifikat ist ein konservatives, distributionelles Audit, kein globales Erreichbarkeitsgarant. Es zertifiziert, dass das Modell im Verhältnis zur gemessenen Audit-Verteilung vertrauenswürdig ist, nicht dass es in allen möglichen Worst-Case-Szenarien sicher ist.
Bescheidenheit bezüglich der Planung: Die Autoren geben explizit an, dass die Anwendung der „zertifizierten Subziel-Abstände“ nicht bestätigt wurde. Das negative Resultat im 3D-Planer wird als Grenzfindung berichtet, die hervorhebt, dass die Struktur-Varianz-Ökonomie äquivarianter Modelle (hohe Varianz in der Planungsleistung) die theoretischen Vorteile in nachgelagerten Kontrollschichten zunichtemachen kann.

Die Arbeit unterscheidet sich vom Stand der Technik dadurch, dass sie eine Horizont-Funktion statt eines Skalars oder Intervalls kalibriert und diese Funktion über einen Gruppenorbit transportiert, wodurch ein lokales Audit in ein orbit-valides Zertifikat umgewandelt wird. Sie vermeidet die Behauptung, dass Äquivarianz die Vorhersagegenauigkeit oder die Planungsleistung universell verbessert, und konzentriert sich stat stattdessen auf die geometrische Effizienz des Zertifizierungsprozesses selbst.