JEPA4Japan · チュートリアル
JA

第9章 — 最も危険な近道：表現崩壊

961文字 3分で読めます #LeWorldModel#World Models#JEPA

すべての入力を同じベクトルへ写す平凡解を、過学習と区別しながら、分散、共分散、有効ランク、最近傍で診断します。

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 現在のレッスン
  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. 多くのscene部屋、door、motion
  2. 1つのcode全部同じになる
  3. 完全なcheatprediction gapはzero
worldを消すことで、prediction gameに勝ててしまいます。

健全なcloud、one-point collapse、thin dimensional collapseは別々のgeometryです。

小さなお話

全travelerへ同じcardを押すpassport officeを想像します。記録はすばらしく一貫します。どの「next passport」もpredictionと一致します。しかし誰も見分けられません。

これがcomplete representation collapseです。dimensional collapseはもっと微妙です。passportは変わりますが、ほとんどの情報が大きなlatent space内の1本のthin roadにあります。本当にlow intrinsic dimensionな世界もあるため、薄さはdata/taskに対するwarningであり、自動判定ではありません。

本当のルール

loopholeは4行です。

encode(any_image) -> the_same_vector
predict(any_vector, any_action) -> the_same_vector
prediction_gap -> zero
state distinctions -> gone

next targetも同じtrainable encoderが作るため成立します。fixed physical answer keyではありません。したがってprediction-only trainingはconstant solutionを許しますが、全low-loss runがそこへ行くとは限りません。

SIGRegはpopulation-shape targetを足します。1点の繰り返しはnon-degenerate isotropic standard Gaussianに一致できないので、exact constant shortcutはideal joint objectiveと衝突します。これは狭い主張です。broad cloudでもbackground colorをencodeし、actionを無視し、planningを惑わすgeometryを作れます。

collapseはoverfittingとも違います。train/validation両方でcollapseする場合も、training distinctionを豊かに残しながらgeneralizeしない場合もあります。representation structureとheld-out behaviorを別々に測ります。

役立つscreenは組み合わせます。

  • 明らかなcontractionを見るper-coordinate variance
  • rotated thin subspaceを見るcovariance spectrum
  • matched runを比べるeffective rank
  • pairwise-distance distributionとduplicate rate
  • observationへ戻るnearest-neighbor panel
  • control useを見るaction-swap sensitivity

どれもproofではありません。identity-like covarianceはsecond-order structureだけを見ます。full rankはdynamicsを証明しません。きれいなneighborがreachabilityではなくcolorに従うこともあります。

だまされる仕掛け

SIGRegあり/なしのmatched tiny TwoRoom runを学習します。各checkpointで同じprobe batchを使い、prediction loss、raw SIGReg、variance、covariance spectrum、effective rank、pairwise distance、neighbor、action swapを記録します。

hypothesisは「no-SIGReg runが必ずcollapseする」ではありません。「population termを除くと、predictionだけでは拒否できないtrivial optimumが戻る」です。cloudがbroadでもcomplete collapseを避けただけで、action/rollout testは必要です。narrow room cornerのrank numberより、diverse input batchがthin latent cloudへなる方が強い証拠です。

実験レシート

LeWorldModel v3はconstant shortcutを指摘しSIGRegを使います。LeJEPA v3はcomplete/dimensional collapseと、simple axis checkがdependenceを見逃すhidden-X exampleを動機づけます。固定train.pyはprediction、SIGReg、totalを別々にlogします。

single-seed独立TwoRoom reportのposition-probe Pearson correlationは0.9988で、paperの0.996に近い値でした。これはそのrepresentationからpositionがlinearly accessibleだったことを示します。SIGRegが原因、predictorがpositionを使う、physicsを学んだ、とは証明しません。

3問クイックチェック

  1. constant codeがperfect next-latent agreementを作れるのはなぜですか。
  2. dimensional collapseとoverfittingはどう違いますか。
  3. collapse診断に複数のlatent diagnosticsが必要なのはなぜですか。