JEPA4Japan · チュートリアル
JA

第14章 — すぐに表現崩壊しないモデルを訓練する

1,123文字 4分で読めます #LeWorldModel#World Models#JEPA

初期化、データ正規化、系列長、最適化、SIGReg射影数、混合精度、チェックポイント、スモークテスト、必須ログを実践的に整えます。

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 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 現在のレッスン

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. dataを見る順序、action、transform
  2. graphを見るshape + gradient
  3. 健康を見るfinite、spread、action use
  4. それから拡大long run前にrollout
falling lossはcockpit lightの1つです。preflightではtraining machine全体を順番に調べます。

raw dataからheld-out rolloutへ進む、安い順のpreflight ladder。

小さなお話

run 1はtotal lossを下げましたが、全画像がほぼ同じlatentになりました。run 2はreduced precisionでnon-finite valueを出しました。run 3はmodel weightをloadしましたが、schedulerとdata orderを最初から再開しました。どのdashboardにも安心できる表示がありました。

smoke testは成功証明書ではありません。特定のwiring failureを安く取り除き、long training budgetを使う前に見つけます。

技術バックパック

まずprovenanceを記録します。code commit、resolved config、dependency version、data hash、hardware、precision、initialization、loader/split state、worker policy、SIGReg randomness、evaluation randomness、deterministic-kernel exceptionです。visible seedはsplit/loader generatorを作りますが、global determinismは示しません。重要なstable-pretrainingとstable-worldmodel revisionはinspected snapshotでpinされていません。

1 trajectoryをtransform前後で見ます。frozen defaultはhistory 3、offset 1、frame skip 5、4 observation positionsで、3 shifted pairsが寄与します。non-pixel statisticsはsplit前にloaded dataset全体から計算され、train-onlyではありません。boundary action NaNはzeroへ置換されますが、そのzeroはdata conventionで、必ずしもphysical no-opではありません。

batch sizeとprojection countは別問題を解きます。frozen batch sizeは128で、各SIGReg callはtime sliceごとにそのforward-pass populationを見ます。projectionを増やすと、同じcrowdを多directionから見るだけです。gradient accumulationでoptimizer batchを大きくしても、1 SIGReg callのpopulationが大きくなるとは限りません。

frozen training start pointはAdamW、learning rate 5e-5、weight decay 1e-3、warmup-cosine schedule、gradient clip 1.0、bfloat16 mixed precisionです。weight decayはlatent Gaussianityではなく、clippingはmissing branchを再接続しません。actual learning rate、module-level pre-clip gradient、clipping frequency、finite intermediateをlogします。

paperは10 training epochs、frozen YAMLはmax_epochs: 100を記述します。runtime overrideでrunが一致する場合はありますが、2 source factsを分けます。「epochs」だけでなくupdate countとprocessed windowsも報告します。

順序は次です。

provenance
-> raw/transformed sequence
-> forward shape + finite raw loss
-> encoder/action/predictor pathのbackward signal
-> tiny-subset fit + latent spread + action swap
-> held-out one-step + horizon別autoregressive error
-> その後にworker、epoch、precision、projection、deviceを拡大

model-weight fileでevaluationはできてもexact continuationはできない場合があります。resumeにはoptimizer、scheduler、step、precision、random、data-order stateも必要です。

だまされる仕掛け

fixed inputで4 cheap interventionsをします。action shuffle、1 action repeat、SIGRegがnoisyになるまでbatch縮小、1 bfloat16 updateと1 full-precision diagnostic updateの比較です。各probeは1 suspected mechanismだけを変え、新baselineではなくlabelled probeのままにします。

healthを1 scoreへ圧縮しません。raw prediction、raw SIGReg、weighted total、learning rate、gradient norm、non-finite count、latent moment/spectrum、action swap、held-out one-step error、recorded-action horizon rolloutをlogします。broad cloudとaction-deaf dynamics、good one-step curveとdriftは共存できます。

実験レシート

LeWorldModel v3、固定train.py、utils.py、module.pyがsource settingを裏づけます。

single-seed TwoRoom reproductionでは、dense action gathering、runtime action width、ImageNet pixel normalization、action z-scoringを加えると、同じ10-epoch budget内でpredictor lossが下降しました。またprojector BatchNorm running varianceがmoving activation scaleよりはるかに小さいとき、validation artifactが最大300×になることを報告しました。released author checkpointは最初の条件を満たさず影響を受けませんでした。これは狭いdiagnostic findingで、universal factorでもauthor training failureの証拠でもありません。

3問クイックチェック

  1. projectionを増やしてもbatch exampleを増やした代わりにならないのはなぜですか。
  2. tiny-subset fitは何を示し、何を示しませんか。
  3. model exportとresumable experimentを分けるstateは何ですか。