JEPA4Japan · チュートリアル
JA

第11章 — SIGRegの直感：表現空間に「呼吸」をさせる

981文字 3分で読めます #LeWorldModel#World Models#JEPA

等方ガウス目標、ランダム方向への射影、Epps–Pulley統計量、Cramér–Woldの直感から、教師や負例を使わず表現崩壊を抑える仕組みを学びます。

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 現在のレッスン
  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. latent crowd1時刻、多examples
  2. 影を作るrandom 1D direction
  3. fingerprintcosine + sine probe
  4. 比べるstandard Gaussian
SIGRegが見るのはpopulation shapeです。各pointのphysical meaningは読めません。

high-dimensional latent cloudを、多数のone-dimensional random shadowで検査します。

小さなお話

「全員を同じ住所に置かないで」だけでは曖昧です。1点を避けても、全住民を1本のroadへ押し込む、1方向へ伸ばす、simple statisticsが健全に見えるX shapeにする、といったcityが作れます。

SIGReg、つまりSketched Isotropic Gaussian Regularizationは、crowdにreference shapeを与えます。embedding populationの多数のone-dimensional shadowを、isotropic standard Gaussianのshadowへ似せます。

技術バックパック

各relative time positionで、frozen LeWMはB embeddingsを1 populationとして扱います。timeをcrowdへ混ぜません。random unit vectorは各D=192 embeddingを1つのsigned scalar shadowへ変えます。directionを繰り返し、各one-dimensional sampleをanalytic Gaussian fingerprintと比べます。

Gaussianの言葉には意味があります。

  • standard：unit-direction shadowはzero-centered、unit-scale。
  • isotropic：referenceにpreferred directionがない。
  • Gaussian：uniform ballではない。densityはoriginで最大だが、high-dimensional radial probability massはおよそradius sqrt(D) shellへ集まる。

Epps–Pulley constructionはempirical characteristic functionを使います。有限のfrequency probeでcosine/sine responseをaverageし、既知のstandard-Gaussian responseと比べます。LeWMはsmooth discrepancyをminimizeし、p-valueや「normality pass」を出しません。

[T,B,D]
  -> 各timeでB-point cloud
  -> random 1D projection
  -> finite knotsでcosine/sine response
  -> analytic N(0,1) fingerprintとの差
  -> directionとtimeでaverage

frozen codeはcallごとに1,024 directionsをsampleし、0〜3の17 knotsとGaussian weighting windowを使います。directionsはresampleされるためtraining valueはstochasticです。classはsingle-GPUで、device間のglobal population gatherをしません。paper appendixはillustrative integrationを別表現にするため、paper/executable factを分けます。

Cramér–Wold principleはall one-dimensional projectionsが一致するとmultivariate distributionを識別します。frozen trainingが見るのはfinite batch、finite direction、finite knotです。approximationでありGaussianity certificateではありません。

だまされる仕掛け

X-shaped cloudのhorizontal/vertical axisだけ見ます。両shadowが無害でもdiagonal shadowがdependenceを示せます。random viewは固定blind spotを減らしますが、finite 1,024 viewsでもnarrow defectを見逃し得ます。

次に本物のcorridor trajectoryを見ます。thin cloudはbroken encoderではなく、本当にlow-dimensional worldを反映する場合があります。192-dimensional isotropic targetへ無理に合わせるとtensionが生まれます。LeWM paperはこのmismatchをTwoRoomのpossible contributorとして提案しますが、established causeではありません。

projectionを増やしてもobservationは増えません。small crowdを千方向から見てもlarge crowdにはなりません。batch sizeとprojection countは別のuncertaintyを扱います。

実験レシート

mechanismはLeWorldModel v3、固定SIGReg、LeJEPA v3、Epps–Pulley paper、Cramér–Woldに基づきます。

referenceがanalyticなので、SIGRegはbatch examplesを必要としてもlabelled negativeやlearned teacherを必要としません。ideal targetではexact constant representationを排除します。しかしphysics、action sensitivity、reachability、finite-run successは証明しません。

3問クイックチェック

  1. nonzero varianceやidentity covarianceだけでは不十分なのはなぜですか。
  2. finite random projectionsでCramér–Woldがproofにならないのはなぜですか。
  3. SIGRegはnegative pairやEMA teacherの代わりに何を使いますか。