ロボットデータセット混合重み付け

ロボットデータセットの混合重み付けは、各データセットやドメインが最適化サンプルを提供する頻度を決定します。保存フレームの40%を収容したコレクションは、サンプラー、エピソード長、フィルタリング、アクションウィンドウが露出を変えるため、必ずしも40%のグラデーション更新を受け取るわけではありません。

有用な組み合わせは、ロボット、タスク、現場、オペレーター、ツール、結果の不均衡を可視化し、宣言された展開目標のために重みを選択します。平均的なパフォーマンスは、小規模ながら安全やビジネスに重要な領域での崩壊を隠してはなりません。

ロボットデータファクトリーとロボットデータ品質監査に関するガイドを活用してください。バージョンミクスチャールール、実現露出、評価結果を組み合わせて。

ストレージシェアとトレーニングの露出を区別する

サンプラーは各ステップでデータセット、エピソード、時間的ウィンドウを選択します。フィルタリング、シーケンス長、分散ワーカー、ドロップバッチはさらに実際の露出を変化させます。カタログだけでなく、実際のトレーニングイテレーターからカウントを計算します。

ドメインと時代ごとに要求され実現された確率のログ。ファイルが欠けている、ワーカーのバランスが崩れ、疲れ切ったシャードが静かに混合を変えます。

デプロイメントの質問からドメインを定義する

ドメインは、実体化、タスク、サイト、オペレーター、オブジェクトファミリー、カメラセットアップ、コントローラーバージョン、またはアウトカムである場合があります。ハードウェア単体では、同じアーム上の2つのコレクションがツール、ワークセル、命令プロセスによってより大きく異なるため、粗すぎることが多いです。

分析を集約したり掘り下げたりできるように階層的なラベルを作成しましょう。未知の値を便利な多数派クラスに割り当てるのではなく、保存しましょう。

混合法則	サンプリング確率	利点	一次リスク
サイズ比例	保存されたカウントに従う	コレクション量を表す	大規模領域優位
ドメイン一様	定義されたグループ間で等しい	小域露出の改善	弱いデータの繰り返し
温度	サイズの不均衡を和らげる	調整可能な妥協	感度指数
性能最適化	ターゲットの検証目的	弱いドメインを保護できます	オーバーフィッツプロキシ集合
予定	訓練に関する変更	カリキュラムの支援	より難しい帰属

比例サンプリング、均一サンプリング、温度サンプリングを比較する

サイズ比例サンプリングは収集の普及率を維持しますが、小さな作業を圧倒してしまうことがあります。一様ドメインサンプリングはカバレッジを保護しますが、非常にノイズの多い小さなデータセットを何度も再生できます。温度サンプリングは、明示的なパラメータを通じてこれらの極端な間を補間します。

マッチドコンピュートアブレーションを実行し、固有のデータと繰り返し曝露の両方を報告します。追加アップデートや異なる拡張予算でより良い組み合わせを作るのは、単純な比較とは言えません。

宣言された目標に対して重みを最適化する

Re-Mixの論文では、分布的にロバスト最適化を用いて最悪ケースの下流ドメイン性能を向上させ、Open X-Embodiment由来混合体に関する結果を報告しています。また、アクション正規化、離散化、早期停止についても説明しています。

これらの発見は普遍的な重み付けではなく、研究証拠として扱いましょう。プライベートデプロイメントではドメインの定義が異なる場合があり、混合を選択するために使われる小さなプロキシ検証セットを過学習に追い込むことがあります。

成功率と失敗多様性の分離

故障が多いデータセットは、ほぼ同一のターミナルフレームを数千個含みながら、異なる前駆メカニズムを欠けることがあります。故障タイプ、発症、回復可能性、オペレーターの反応をラベル付けし、二項の結果だけを重み付けするのではなく。

失敗に似た成功したハードネガを残しましょう。彼らはポリシーやモニターが、稀な視覚状態が停止を必要とすることを知らせないようにします。

小さなドメインをオーバーサンプリングする際のキャップ重複

オーバーサンプリングは露出を増やすが情報は増しません。エポックごとのユニークなエピソード、最大再利用、ほぼ重複クラスター、ラベルの不一致を追跡します。すべての視点が同じ軌道から来ている場合、拡張は独立性を生み出しません。

繰り返しの上限を設定するか、暗記が進むにつれて検証力の向上が止まったら重量を下げましょう。狭いソースを無限に繰り返しプレイするのではなく、多様な例を集めましょう。

エピソード長寄与を正規化する

フレームを均一にサンプリングすることで長いエピソードはより多くの更新を得られ、エピソードごとに均一にサンプル化されると、それぞれの軌道に等しい初期確率が与えられます。アクションチャンクや時間ウィンドウは、長さ依存の倍率をさらに加えます。

学習意図に合ったユニットを選び、エピソードごとに有効なウィンドウを記録しましょう。 アクションチャンクガイド を使って地平線とコントロールレートの意味を保ちましょう。

希少な重要ドメインの保護

一部のドメインは、イベントが稀で高額、または危険だからであり、重要でないからではありません。最小サンプリングフロアはカバレッジを維持できますが、弱いラベルや非現実的なシミュレーションは保険を誤解させる可能性があります。

クリティカルドメインの受容を別途定義し、保留されたハードウェア証拠を求めます。厳しい回帰を世界平均のわずかな改善と引き換えにしないでください。

平均およびワーストドメイン性能の測定

サンプル数と不確実性を含むタスクの成功度、精度、または制御指標をドメインごとに報告します。マクロ平均、エクスポージャー加重平均、ワーストドメインまたは下位尾部のパフォーマンスを含め、読者がトレードオフを理解できるようにしてください。

Open X-Embodimentプロジェクトは大規模なマルチロボット混合訓練を実証しますが、新しい混合体は依然として独自のロボット、タスク、環境を必要とします。

長時間のトレーニング中のデータ混合比のドリフトを監視する

シャードの利用可能性、フィルタリング、新規追加データ、適応サンプリングは時間とともに実現された混合数を変える可能性があります。また、どの領域が弱いかもモデルが変化するため、有用なカリキュラムは事前訓練と適応で異なる場合があります。

スケジュール移行と評価チェックポイントごとにバージョンを更新してください。因果診断が目的の場合、重み変更、学習率、データクリーニングを同時に行うのは避けましょう。

フルスケールの検査前に小さなアブレーションを使う

候補重み間でより短いマッチド計算ランを訓練し、パフォーマンスの逆転、不安定性、飽和を探します。小規模なランではすべてのスケーリング効果を予測することはできませんが、重要なドメインを即座に消去する混合は排除できます。

結果を ロボット VLA 評価ガイド に結びつけ、ハードウェア試験で締めくくります。種子、サンプルトレース、チェックポイント選択ルールを保存してください。

監査	測定	警告	反応
露出	ドローとユニークなエピソード	要求されたものと実現されたものは異なります	フィックスサンプラー
重複	再利用と類似性	小さな領域を暗記した	キャップかリコールか
長さ	エピソードごとのウィンドウ数	長期のトライアルが支配的です	交代ユニット
パフォーマンス	ドメインごと最悪の場合	平均的な隠れ家が崩壊します	床や重りを加える
ドリフト	トレーニング段階による曝露	追跡されていないスケジュール変更	バージョン移行

混合条件付きリリース

ドメイン分類、データセットのバージョン、サンプリング階層、確率、スケジュール、繰り返し制限、エピソード単位、分割、評価目標および停止条件を文書化します。ストアはトレーニングランでサンプルトレースを実現しました。

以下のチェックリストで検証を締めくくります。

• デプロイ主張からドメインを定義してください。
• 測定されたトレーニング露出。
• キャップの繰り返しと監査の重複。
• 平均および最も弱い領域の結果を報告します。
• バージョンの混合スケジュール、データとモデルのチェックポイントを組み合わせます。

よくある質問

サイズに比例したミックスが最も自然なデフォルトなのでしょうか？

透明性はありますが、大規模なコレクションは小さな展開に重要なドメインを支配し消去することがあります。

小さなデータセットを何回オーバーサンプリングすべきでしょうか？

普遍的な倍数は存在しません。独自性、ノイズ、暗記、そして長期的な改善の上限を設定しましょう。

故障データを増やすことは回復に役立ちますか？

故障メカニズム、前駆体のコンテキスト、回復ラベルが有用であり、通常のハードネガが依然として表される場合に限ります。

トレーニング中に混合重量が変わることはありますか？

はい、しかしスケジュールの変更や実際の曝露はバージョン設定しなければならず、効果は解釈可能に保たれます。

どの混合気の指標が最も重要ですか？

ドメインごとの性能と、グローバル平均と並んで宣言された下位またはクリティカルドメイン基準を用いましょう。

訓練-露出と最弱領域境界

データミクスチャーは最適化ポリシーであり、フォルダ比率ではありません。すべてのモデルチェックポイントで実現された露出、独自性、最弱領域の結果を保持します。