JEPA4Japan · チュートリアル
JA

第3章 — JEPAの発想：画面の複製ではなく意味を予測する

1,115文字 3分で読めます #LeWorldModel#World Models#JEPA

Joint-Embedding Predictive Architectureの役割分担を理解し、自動符号化器、対照学習、生成型動画モデルとの違いを整理します。

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 現在のレッスン
  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 公開中
  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. encodecontext codeを作る
  2. 条件を加えるmask、時間、行動
  3. 予測するtarget codeを狙う
  4. graphを確かめるfamily≠recipe
JEPAは表現空間で予測します。「target」という語だけでは「teacher」を意味しません。

pixel再構成、pair matching、frame生成、target representation予測を行う4つの工房。

小さなお話

画家はレンガや反射をすべて写します。地図作りは道路と交差点を残します。旅人の次の場所を予測するなら、通り全体を描き直す代わりに地図上の点を進められます。

これが「複製ではなく意味を予測する」という便利な直感です。ただし学習された地図には、人間の地図作りが付けた記号がありません。17番目の座標に「出入口」というlabelはありません。塗装色を残し、一方通行を忘れるかもしれません。ここでの「意味」は学習表現であり、有用性には実験が必要です。

本当のルール

family-levelのJEPA骨格は、意図的に中立です。

context_code = encode_context(context)
target_code = encode_target(target)
predicted_code = predict(context_code, optional_condition)
loss = compare(predicted_code, target_code)

この図だけでは、encoderが1つか2つか、weightが共有か別か、stop-gradient、EMA、negative、stochastic latentの有無は決まりません。それらは名前付き手法ごとの選択です。

LeWM v3では次の形になります。

画像履歴のcode + 記録行動 -> 次画像のcodeを予測

現在frameと次frameは、1つの共有trainable visual encoderを使います。action-conditioned predictorが次表現を推定します。prediction lossは同じencoderのcontext側とtarget側の両方へ接続され、SIGRegは別のpopulation-shape pressureを加えます。original v3にはEMA target teacher、target stop-gradient、pretrained visual encoderがありません。

autoencoderはinput-space targetを再構成します。generative video modelはframeやvisual tokenを出します。contrastive objectiveは選ばれたmatchとmismatchを比べます。LeJEPAとLeWMはnegative pairなしでprediction+SIGRegを使います。これは別々の契約であり、普遍的な性能順位ではありません。JEPA family全体が定義上non-contrastiveだとも限りません。

だまされる仕掛け

同じ観測で、行動だけを変えます。

up = predict(current, action="up")
right = predict(current, action="right")
check distance(up, right)

現実の結果が違う場所でも2出力がほぼ同じなら、モデルは制御を無視して普通の続きだけを予測しているかもしれません。するとCEMは多数の行動系列を、ほぼ同じ枝で評価します。予測器が消した選択肢を探索量では作れません。

分離が0でないだけでは正しいdynamicsとは言えません。support内の記録されたsuccessorと向き・大きさを比べ、2つの小行動が本当に同じ効果を持つcontrol stateも含めます。

実験レシート

広いarchitectureはA Path Towards Autonomous Machine Intelligence v0.9.2に基づきます。I-JEPA v3はEMA target encoderを持つ画像向けrecipeです。LeJEPA v3はprediction+SIGRegを動機づけます。LeWorldModel v3と固定train.pyがLeWMのconnected action-conditioned graphの典拠です。

I-JEPAのteacherをLeWMへ移植したり、すべてのJEPAを定義上non-contrastiveと呼んだり、architectureだけでsemanticsを推定してはいけません。controlled probeが支えられるのは、ある違いがdecodable、predictive、planning-usefulだったという狭い主張です。

3問クイックチェック

  1. 「target representation」だけではteacher networkを証明できないのはなぜですか。
  2. LeWM v3とI-JEPA recipeを分けるgraph上の違いは何ですか。
  3. 平均predictionが良くてもCEM searchが役に立たないのはなぜですか。