JEPA4Japan · チュートリアル
JA

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

1,161文字 4分で読めます #LeWorldModel#World Models#JEPA

観測、行動、時刻、エピソードから成るオフライン軌跡を理解し、状態空間のカバレッジが想像可能な世界の境界を決めることを確認します。

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 現在のレッスン
  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. 見る今の観測
  2. 動かす揃ったaction block
  3. もう一度見る観測された結果
ダイナミクスの証拠は、1 episode内の順序付き「見る → 動かす → 見る」です。

同じ画像でも、順序と行動が付いているときだけダイナミクスを教えられます。

小さなお話

1回のTwoRoomの旅から、2冊の写真albumを作ります。1冊目はframeを順番どおりにし、間にcontrolを書きます。2冊目は同じ写真を混ぜ、controlを捨てます。どちらも部屋の見た目を教えられますが、特定行動の後に何が起きたかを教えられるのは1冊目だけです。

episode boundaryも同じくらい大切です。あるrunの最後と次runの最初をつなぐと、偽のteleportationを教えます。world modelに必要なのはtransitionであり、見た目の在庫ではありません。

本当のルール

LeWMのworld-model trainingはofflineかつreward-freeです。記録済みepisodeを再生し、base objectiveにtask rewardやgoalを使いません。しかしaction-free、deployment時もgoal-free、無制限な外挿、という意味ではありません。

frozen data configはframeskip=5です。1 model transitionは5つの連続lower-level environment actionsをdense blockにまとめます。最後のactionだけを取ったり、1つを5回繰り返したりしません。train.pyはactionを含むnon-pixel columnをz-scoreし、action encoder widthを次で実行時に決めます。

frameskip × environment action dimension

frozen defaultはhistory_size=3、num_preds=1なので、sampled windowには4 observation positionsがあります。最初の3 latentがcausal context、1位置shiftした列が3つのone-step targetです。

z0 -> z1
z1 -> z2
z2 -> z3

num_preds=1はoffsetであり「最後のpairだけ」ではありません。v3 paperはTwoRoomのhistoryを1、PushT/OGBench-Cubeを3と報告し、frozen global configは3です。runがどちらを使ったか記録します。

coverageはx-y heatmap以上のものです。transitionは、見えているもの、recent motion/contact、proposed actionに依存します。全位置をゆっくり訪れても高速のdoorway motionは覆いません。静止中のPushT object angleを見ても、同じ画像でcollision中の状態は覆いません。この組合せsupport外で滑らかな出力が出ても、根拠があるとは限りません。

だまされる仕掛け

Collector Aは1つの部屋を回り、何百万枚ものきれいなframeを記録します。Collector Bは少ないframeでも、両方のdoorへ近づき、衝突し、停止し、双方向に通り、速度を変えます。画像数はAが多くても、cross-room dynamics evidenceはBの方が優れるかもしれません。

次にBのaction logを1 indexずらします。visitation mapは立派なままですが、結果が誤ったcontrolと結びつきます。あるいはtraining windowをreset越しにすると、teleportationを学びます。どちらもshape checkだけでは見逃せます。

学習前にcomplete episodeを再生し、timestamp/action blockを見て、完全なdoor crossingを数え、regionとmotionごとのaction histogramを調べ、欠けた組合せを書き出します。

実験レシート

LeWorldModel v3、固定train.py、固定TwoRoom data configurationがtrajectory interfaceとconfig factを裏づけます。paperはnoisy doorway-travel heuristicで収集したTwoRoom 10,000 episodes、平均92 environment stepsを報告します。これはdataset descriptionであり、普遍的最低量やcomplete coverageの証明ではありません。

独立TwoRoom reproductionは、dense action gathering、runtime action width、ImageNet pixel normalization、action z-scoringを、YAMLだけでは揃わないreproduction-critical conventionとして特定しました。証拠はsingle-seedの1 environmentに限られます。

3問クイックチェック

  1. 同じframeでもshuffleするとaction-conditioned dynamicsを教えられないのはなぜですか。
  2. windowがepisode resetをまたぐと、どんな偽eventが生まれますか。
  3. x-y全位置を訪れてもtransition coverageを証明できないのはなぜですか。