JEPA4Japan · チュートリアル
JA

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

1,133文字 4分で読めます #LeWorldModel#World Models#JEPA

画像パッチ、ViT、[CLS]トークン、プロジェクター、正規化を通じ、画像テンソルが潜在ベクトルへ変わる過程をPyTorchで追跡します。

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 現在のレッスン
  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. frame224 × 224 pixel
  2. patch256個の画像片
  3. [CLS]1本のsummary carrier
  4. passport192個の数
encoderは各frameに小さなpassportを発行します。ただし、何を覚えたかまでは保証しません。

frameがpatch、CLS summary、projected latent passportへ変わります。

小さなお話

camera frame全体は、多数のimagined action planへ持ち運ぶには大きすぎます。そこでLeWMは各frameに小さな「state passport」を発行します。predictorはscene全体を描き直すより、passportを時間方向へ進める方が軽く済みます。

本物のpassportは、人間が必要なfieldを合意したから働きます。LeWMにはその一覧がありません。何が残るかはtraining pressureが決めます。doorwayを残すことも、doorwayと相関するだけのwall colorを残すこともあります。

技術バックパック

frozen entry pointはまずImageNet statisticsでpreprocessし、224×224へresizeします。default ViT-Tinyは画像を14×14 patchに切ります。224 / 14 = 16なので、16×16 = 256 patch tokensです。learned [CLS] tokenを1つ足してsequence lengthは257です。

default backboneはwidth 192、12 Transformer layers、3 attention headsです。attentionにより空間patch同士が情報交換できます。patchは単独で認識されたobjectではなく、[CLS]も自動的にsemanticではありません。objectiveを通じて役立つcarrierになります。

visual encoderはframeを独立に処理します。batchとtimeをflattenし、shared weightsでB×T画像を処理して、time axisを戻します。temporal reasoningは後のdynamics predictorの仕事です。

[B,T,3,224,224]
  -> [B×T,3,224,224]
  -> [B×T,257,192]
  -> [CLS]: [B×T,192]
  -> projector: [B×T,192]
  -> timeを戻す: [B,T,192]

projectorは単なるdimension reducerではありません。frozen codeはlinear layer間にBatchNormとGELUを入れ、192 → 2048 → 192と写します。paperの「1-layer MLP」とcodeの2 linear mapsは、one-hidden-layer projection MLPと呼ぶのが安全です。出力latentをpredictionとSIGRegが使います。

LayerNormは1 token内のfeatureをnormalizationします。projector BatchNormはflattenしたbatch-time examplesを横切ってfeatureごとのstatisticsを使います。SIGRegは別のpopulation lossです。「normalizationがGaussianにする」とまとめるのは誤りです。

original v3はpretrained: falseです。ViT、projector、action path、dynamicsはoffline trajectoryから一緒に学びます。

だまされる仕掛け

training中、wall colorが開いたdoorを完全に予測するとします。encoderは小さなdoor gapを無視し、colorだけ保存できます。doorを動かさず壁を塗り替えるとpassportが大きく変わり、colorを保ったままdoorを動かすとほとんど変わりません。

3つのcontrolled pairを試します。geometry固定でtextureを変える、textureを揃えてgeometryを変える、frozen planner中にnuisanceだけ替える、です。compact code、nonzero variance、良いreconstructionのどれも、正しい事実が残った証明ではありません。

mechanical assertionも大切です。timeをchannelへ変えない、time axisを戻し忘れない、1 state per frameが必要な場所へpatch-level outputを渡さないようにします。shapeは誤実装を示せますが、良い表現を単独では示せません。

実験レシート

LeWorldModel v3、固定jepa.py、model configuration、固定projection moduleがexact default pathを裏づけます。paperはResNet-18 ablationも報告するため、ViT-Tinyはbaseline choiceでありLeWMの定義ではありません。

許される主張は、[CLS]とprojectorがLeWM objectiveで最適化されるlatent carrierだということです。complete world state、BatchNormがSIGReg Gaussian targetを課す、compactだからphysicsを含む、とは言えません。

3問クイックチェック

  1. 1辺224 pixelとpatch size 14から、なぜ256 patchesになるのでしょうか。
  2. frameを独立encodeした後、timeを扱うcomponentは何ですか。
  3. wall colorに従いdoorway geometryを無視するpassportをどう露呈させますか。