世界モデルにおける分布外データ対応 の⽅法論 2026年2⽉8⽇ 第66回 コンピュータビジョン勉強会＠関東 Turing株式会社 荒居秀尚 1 

世界モデル？ https://x.com/wzihanw/status/2002092055884124297?s=20 「世界モデル」という⾔葉で指すものには揺れがある 2 

この発表における世界モデルの定義 ICLR 2025のTim Rocktäschel (DeepMind)によるKeyNoteの定義に従います https://iclr.cc/virtual/2025/invited-talk/36780 3 

とすると‧‧‧？ Data Augmentationを action、画像そのものをstate として認めれば世界モデル(苦 しい) nullをactionとして 認めれば世界モデル 世界そのもの 疑問の余地なく 世界モデル ルールベースでも 世界モデルには 変わりない(※) stateは静的、actionは視点の 移動だとすれば世界モデル patchをstate、どこを隠すか の選択をactionとすれば世界 モデル ※今回の発表は、データから学習されるものについて の話のため、このパターンは除外します 4 

⾃⼰紹介 荒居 秀尚 / Hidehisa Arai Turing株式会社 ↓Kaggle 2x Grandmaster ⾃動運転システム開発における合成データの活⽤に興味があります https://turingmotors.github.io/actbench/ ↓2024/04~ 2025/02 ↓2025/02~ 5 

世界モデルにみられる⾯⽩現象 ⾃⾞に対する指⽰が、他のエージェントの動きにも影響を及ぼす現象を確認 他にも⾃⾞に対する加速指⽰により前⾛⾞も加速する‧⾚信号で発進すると⻘になる、等がある 6 

なぜこの現象は起こる？(仮説) Causal Misalignmentと命名して論⽂化 https://arxiv.org/abs/2412.05337 7 

この現象をより⼀般化する Stateが学習分布外(OOD)な例：⾃動運転の世界モデルに室内の映像を⽣成させる ActionがOODな例：ロボットの世界モデルに2回宙返りの映像を⽣成させる State × ActionがOODな例 (Joint OOD)：今回のケース(Causal Misalignment) 予測分布からの採取時にOODになる例(Rollout OOD)：⾃⼰回帰動画⽣成でEncode →Decodeを繰り返すと劣化していく →普通にデータを集めても得られないケースについて世界モデルに⽣成させるには？ 8 

対策①：Iterative Update 9 

世界モデルもPolicyも更新しまくろう！ モデリング対象の世界を探索することでOODデータを集める 10 

Iterative Updateアプローチの推進者たち 世界モデルの初期の研究はこの⽅向性だった https://worldmodels.github.io/ David Ha and Jürgen Schmidhuber. “World Models” Hafner et al. “Dream to Control: Learning Behaviors by Latent Imagination.” 11 

Iterative Updateの破綻 現実世界では危険すぎたり、コストが⾼すぎたりして実践しづらい 12 

対策②：Foundation World Model 13 

https://iclr.cc/virtual/2025/invited-talk/36780 14 

https://iclr.cc/virtual/2025/invited-talk/36780 15 

Foundation Modelアプローチ Scaling Lawに乗っかり、データ‧モデル‧計算量を⾼める王道のアプローチ 16 

Foundation Modelアプローチの推進者たち GoogleやNVIDIAなどビッグテックが中⼼となっている Genieシリーズ (Google DeepMind) NVIDIA Cosmos https://deepmind.google/models/genie/ https://www.nvidia.com/ja-jp/ai/cosmos/ 17 

Foundation Modelで解決か？ 系統的に集まりづらいデータや、諸制約により取ることができないデータはある 社会規範から逸脱する⾏動が必要なものや、特殊なセンサを要するもの、取得コストが⾼すぎるものなど 18 

対策③：Simulation Data 19 

シミュレータ‧ゲームの活⽤ 現実をよく模倣したシミュレータ‧ゲームのデータも混ぜて世界モデルを学習 20 

シミュレーションデータ活⽤は有効か？ シミュレータで収集したデータを使うことは有効という研究結果がある Yang et al. “ReSim: Reliable World Simulation for Autonomous Driving.” NeurIPS 2025 Spotlight. 21 

ReSim CogVideoXベースのDiTを3種のデータソースで追加学習 Yang et al. “ReSim: Reliable World Simulation for Autonomous Driving.” NeurIPS 2025 Spotlight. 22 OpenDV 実動画のみ NAVSIM 実動画+expertアクション CARLA Sim動画+non-expertアクション 

ReSim Simデータの追加により、分布外の⽣成もできるようになるという結果 Yang et al. “ReSim: Reliable World Simulation for Autonomous Driving.” NeurIPS 2025 Spotlight. 23 Simデータを学習に使うことで、⽣成の視覚的 品質も、指⽰軌跡に従う度合いも強くなること がわかった Simデータの追加により、より現実 的な⽣成ができるようになっている 

⼤量のゲームで学習されたGenie 3の実⼒ Genie 3を使って作られたWaymoの世界モデルは極めてレアな事象を⽣成できる https://waymo.com/blog/2026/02/the-waymo-world-mod el-a-new-frontier-for-autonomous-driving-simulation 24 

世界モデルのOOD問題はこれで解決なのか？ 正確なマルチエージェントシミュレーションは極めて困難 ↑Genie3でも “Limitations”の⼀つに他のエージェントの シミュレーションが難しいことが挙げられている CARLAシミュレータのシミュレーションの様⼦ 25 

Take Home Message ● 世界モデルといえども機械学習モデル。分布外の状況に弱いという問題は普 通にある。 ● 分布外対応は様々な⽅策が考えられてきたが、近年は⼤量の実データ+シミュ レーションデータという組み合わせが有効であることがわかっている。 ● しかし、シミュレーションデータの活⽤も万能ではなく、特にマルチエー ジェントシミュレーションには課題がある。 26