JEPA4Japan · チュートリアル
JA

第12章 — 必要最小限の数学

1,047文字 4分で読めます #LeWorldModel#World Models#JEPA

予測損失、標準ガウス制約、1次元射影、検定統計量、完全な目的関数を導き、λが2つの損失の重みであることを正確に理解します。

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 現在のレッスン
  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. dynamics gaugenext latentは一致した？
  2. population gaugecloudはcollapseした？
  3. lambda2 pressureを調整
2つのgaugeは1つのshared modelの別々の性質を見ます。どちらもdoorwayを知りません。

predictionとSIGRegは、1つのtraining objectiveへ別々の報告を送ります。

小さなお話

workshopの1人目は、action-conditioned guessが、現実に次に起きたことのlatentへ一致するかを見ます。2人目はobservation embeddingのcrowdが、簡単なdegenerate shapeへ縮んでいないかを見ます。

1人目だけ聞くと、全observationを1つのconstant answerにできます。2人目だけ聞くと、cloudはきれいに広がっても、どのactionがdoorwayへ届くか忘れられます。2人は同じものを採点していません。

技術バックパック

prediction termはconnected next-observation embeddingに対するcoordinate-wise mean squared errorです。

z = shared_encoder(observation_window)
z_hat = action_conditioned_predictor(z_context, recorded_actions)
L_pred = mean((z_hat - z_next_connected)^2)

targetはshared trainable encoderが作りdetachしないため、L_predはpredictor、action path、context representation、target representationを更新できます。

SIGRegは各relative time positionのobservation embeddingへ作用します。random unit directionがone-dimensional shadowを作り、finite cosine/sine fingerprintをanalytic standard-Gaussian fingerprintと比べます。直接更新するのはvisual encoderとencoder projectorであり、action encoderやdynamics predictorではありません。

complete objectiveは次です。

L_total = L_pred + lambda * L_SIGReg

lambdaはpopulation pressureのvolume knobです。SIGRegの測定内容、latent width、projection count、optimizer、planning horizonを変えません。静かすぎるとtrivial shortcutが残り、大きすぎるとtransition relationよりglobal Gaussian shapeを優先し得ます。

version labelも数学の一部です。

SourceValueSafe reading
LeWM v3 method0.1paper stated default
frozen YAML0.09checked-in executable setting
PushT Appendix G sweep0.09付近でpeak、tested 0.01–0.2で>80%、0.5で急落そのsetupでのauthor report

paperはprojection countとregularization weightを2つのintroduced settingとし、reported projection ablation後にlambdaを唯一のeffective tuning parameterと呼びます。model、optimizer、data、planner全体にhyperparameterが1つだけという意味ではありません。

frozen SIGRegは1,024 projectionsと0〜3の17 knotsを使います。batch sizeはempirical shadow内のsample数、projection countは同じsampleを見るdirection数を決めます。互いに置換できません。

だまされる仕掛け

3 matched conditionsを学習します。no SIGReg、明確にlabelしたpaper/code weight、意図的にoverwhelmingなweightです。weighted sumだけでなくraw L_predとL_SIGRegを別々に記録し、variance、effective rank、neighbor、action swap、one-step error、horizon別autoregressive errorも残します。

expected mechanismは条件付きです。SIGRegを外すとconstant agreementがobjectiveと両立しますが、1 runが必ずcollapseするわけではありません。overwhelming SIGRegはdynamicsを害し得ますが、universal thresholdはありません。spread cloudでもaction-insensitive predictionなら、global collapseではなくdynamically weakです。training gaugeが良くplanningが悪いなら、rollout、cost、searchなど後段を見ます。

実験レシート

LeWorldModel v3、固定train.py、固定SIGReg、固定lewm.yamlがtwo-term objectiveとsource-specific valueを裏づけます。LeJEPA v3はassumption-bounded Gaussian motivationであり、universal physical-state guaranteeではありません。

許される主張は、ideal Gaussian matchingがexact constant representationを排除し、predictionがtemporal/action relationを与えることです。low total lossはphysicsもplanningも証明しません。

3問クイックチェック

  1. 各gaugeはどのshortcutまたは性質を扱いますか。
  2. lambdaを上げるとpopulation shapeが改善しながらdynamicsを害し得るのはなぜですか。
  3. 0.1と0.09が両方正しいのに交換できないのはなぜですか。