JEPA4Japan · チュートリアル
JA

第13章 — オリジナルLeWMのエンドツーエンド学習の仕組み

1,050文字 4分で読めます #LeWorldModel#World Models#JEPA

LeWM v3がstop-gradient、EMA教師、事前訓練済み視覚モデルを使わず、エンコーダーと予測器を一体で適応させる学習時の計算グラフを確認します。

コース進捗 コース目次 48レッスン中 48件を公開中

第0部　読み方ガイド：私たちは何を学ぶのか

  1. 01 第0章 — はじめる前に 公開中

第1部　世界モデル：エージェントの頭の中にある実験場

  1. 02 第1章 — なぜエージェントには「未来を想像する」力が必要なのか 公開中
  2. 03 第2章 — なぜ次の画像をそのまま予測しないのか 公開中
  3. 04 第3章 — JEPAの発想：画面の複製ではなく意味を予測する 公開中
  4. 05 第4章 — 1枚の図でLeWMを理解する 公開中

第2部　画面を状態に変える：LeWMのモデル構造

  1. 06 第5章 — 軌跡データ：モデルにとって世界は画像集ではない 公開中
  2. 07 第6章 — 視覚エンコーダー：各フレームに「状態パスポート」を発行する 公開中
  3. 08 第7章 — 動力学予測器：頭の中で時間を前へ進める 公開中
  4. 09 第8章 — 完全な順伝播：1バッチを最初から最後まで追う 公開中

第3部　モデルの抜け道を防ぐ：予測損失とSIGReg

  1. 10 第9章 — 最も危険な近道：表現崩壊 公開中
  2. 11 第10章 — 予測損失：モデルはどのように次の一歩を学ぶのか 公開中
  3. 12 第11章 — SIGRegの直感：表現空間に「呼吸」をさせる 公開中
  4. 13 第12章 — 必要最小限の数学 公開中
  5. 14 第13章 — オリジナルLeWMのエンドツーエンド学習の仕組み 現在のレッスン
  6. 15 第14章 — すぐに表現崩壊しないモデルを訓練する 公開中

第4部　モデルを行動に使う：潜在空間での計画

  1. 16 第15章 — 目標条件付き計画：「今いる場所」から「行きたい場所」へ 公開中
  2. 17 第16章 — 潜在ユークリッド距離：便利だが、常に信頼できるとは限らない 公開中
  3. 18 第17章 — CEM：勝ち抜き方式で行動を探索する 公開中
  4. 19 第18章 — MPC：モデルを一度に長く信じすぎない 公開中
  5. 20 第19章 — 長期ロールアウト：小さな誤差が大事故へ育つまで 公開中
  6. 21 第20章 — 最小のLeWMプランナーをゼロから実装する 公開中

第5部　エンジニアリング再現：論文から動くシステムへ

  1. 22 第21章 — 公式リポジトリと実験環境 公開中
  2. 23 第22章 — 最初の実験：TwoRoomのスモークテスト 公開中
  3. 24 第23章 — 2つ目の実験：PushTを再現する 公開中
  4. 25 第24章 — 世界モデルを公平に評価する方法 公開中
  5. 26 第25章 — 失敗診断マニュアル 公開中

第6部　LeWMは何を学んだのか

  1. 27 第26章 — 線形プローブ：潜在状態にはどの物理量が含まれるのか 公開中
  2. 28 第27章 — 潜在空間を「健康診断」する 公開中
  3. 29 第28章 — 期待違反：モデルは「あり得ない出来事」に驚くのか 公開中
  4. 30 第29章 — 「世界を理解する」を厳密に語るには 公開中

第7部　「予測が正確」でも「計画がうまくいかない」のはなぜか

  1. 31 第30章 — 訓練目的と計画目的のあいだにある亀裂 公開中
  2. 32 第31章 — 大域的には表現崩壊していなくても、タスクに必要な動力学が保たれるとは限らない 公開中
  3. 33 第32章 — 等方ガウス事前分布はいつ強すぎるのか 公開中
  4. 34 第33章 — 長期計画：より遠くを予測するか、より賢く計画するか 公開中
  5. 35 第34章 — 位置の距離からタスクの進捗へ 公開中
  6. 36 第35章 — マルチタスク、実ロボット、視覚的外乱 公開中
  7. 37 第36章 — 理論的な境界：真の状態はいつ同定できるのか 公開中

第8部　再現者から研究者へ

  1. 38 第37章 — 信頼できるLeWM改良実験を設計する 公開中
  2. 39 第38章 — 実行可能な12の研究課題 公開中
  3. 40 第39章 — LeWM研究の未解決問題 公開中

付録　数学・実装・再現・査読のための参照資料

  1. 41 付録A — 最低限必要な数学ツールキット 公開中
  2. 42 付録B — PyTorch実装クイックリファレンス 公開中
  3. 43 付録C — テンソル形状の完全一覧 公開中
  4. 44 付録D — 実験設定カード 公開中
  5. 45 付録E — 論文タイムラインとエビデンスレベル 公開中
  6. 46 付録F — 用語集 公開中
  7. 47 付録G — 再現チェックリスト 公開中
  8. 48 付録H — 専門家査読チェックリスト 公開中

まず大きな絵

  1. 1 encodercontextとfuture
  2. actionpredictorを条件付け
  3. connected targetstop signなし
  4. SIGRegconstant cheatに圧力
original LeWM v3は、EMA teacherなしで1つのlive coordinate systemをend to endに学びます。

v3 training graphではcontext/future observationが1つのshared connected encoderを使います。

小さなお話

簡単ですが誤ったsketchには、context encoder、薄いtarget tower、stop sign、EMA arrowがあります。BYOL、I-JEPA、V-JEPAの名前付きversionが近いtarget mechanismを使うため、見慣れています。しかしoriginal LeWM v3ではありません。

LeWMは、mapmakerとroute-rule learnerが1つのlive mapを一緒に編集するようなものです。SIGRegは全addressが1 lotになるのを防ぐzoning ruleです。zoningはcityを広げてもroadを正しくしません。

技術バックパック

v3 training topologyは次です。

observations -> one shared trainable encoder -> all latents
context latents + recorded actions -> predicted future latent
predicted future <-> connected future latent
observation latents -> SIGReg
one total objective -> joint update

targetは「predictionと比較するもの」を意味します。weight ownerやupdate ruleは決めません。frozen train.pyは同じencoded sequenceからfuture latentをsliceし、prediction loss前にdetachしません。そのためprediction pressureはcontext useとfuture useの両方からshared encoderへ届き、action encoder/predictorへも届きます。

Gaussian referenceはanalyticで、learned teacherではありません。recorded next observationはdataで、teacher networkではありません。original v3はvisual pretrainingもoffです。「from scratch」はvisual encoderがないのではなく、external pretrained checkpointから始めないという意味です。

predictionだけなら全placeに同じaddressを付けられます。ideal SIGReg targetでは、repeated pointはnon-degenerate isotropic Gaussianに一致できません。joint objectiveは最も簡単なexact constant solutionへ圧力をかけます。しかしfinite optimizationでcollapseを不可能にしたり、spread representationにrare task variableを必ず残したりはしません。

「end to end」はtraining boundaryで止まります。dataset constructionは学習されません。後のCEM planningではencoder/predictor weightをfreezeし、planning gradientが戻って再学習することもありません。

名前付きgraphは別々です。BYOL v3、I-JEPA v3、V-JEPA v1は引用recipeでstop-gradient/EMA target mechanismを使い、LeWorldModel v3はshared connected encoder+SIGRegです。これはmechanism comparisonであり、異なるdata/task間のperformance rankingではありません。

だまされる仕掛け

3つの.detach()はkeyword searchでは同じに見えても意味が違います。

  • training loss前のfuture target detach：手法を変える。
  • loss後のmetric copy detach：logging bookkeeping。
  • frozen planning中のgoal detach：そもそもmodel update不能。

value、timing、phaseをauditします。次にtiny topology probeをします。

A: future target connected
B: comparison前にfuture targetをdetach
C: target connected + SIGReg

hookではBだけtarget-side prediction routeが消え、Cではencoder-side population routeが加わるはずです。1 batchが示すのはconnectivityであり、どのvariantがよくtrain/planするかではありません。

実験レシート

graphはLeWorldModel v3、固定train.py、固定model/lewm.yamlに基づきます。比較はBYOL v3、I-JEPA v3、V-JEPA v1へversion固定します。

許される主張は、LeWM v3がfully end to endであり、それらnamed stopped-target/EMA recipeと構造的に異なることです。EMAがobsolete、SIGRegがteacherを普遍的に置換、from-scratchが本質的に優れる、connectivityがphysicsを証明する、とは言えません。

3問クイックチェック

  1. 「target」が「teacher」を意味しないのはなぜですか。
  2. prediction pressureが届くlearned pathと、SIGRegが直接届くpathはどこですか。
  3. logging、frozen goal、loss前future targetのうち、どのdetachがv3を変えますか。