JEPA4Japan · チュートリアル
JA

第2章 — なぜ次の画像をそのまま予測しないのか

1,274文字 4分で読めます #LeWorldModel#World Models#JEPA

ピクセル誤差とタスク誤差の違いを手がかりに、潜在空間への圧縮と、圧縮・予測可能性のトレードオフを考えます。

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 現在のレッスン
  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 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. たくさんのpixel模様、光、noise
  2. 小さな手掛かり扉は開いている？
  3. codeにする大事な違いを残す
  4. 試す小さい≠正しい
大きなpixel誤差が無害な一方、小さな出入口の誤差が正しい行動を逆転させることがあります。

一方は無害な模様を間違え、もう一方は小さいが重要な出入口を間違えます。

小さなお話

予測Aは床の模様や影を間違えますが、agent、壁、出入口は正しい場所にあります。予測Bはほぼ完璧ですが、細い1本の誤差で出入口を閉じてしまいます。pixel scoreはBを好むかもしれません。controllerはそうすべきではありません。

pixelが無用なのではありません。小さな赤信号、ケーブル、水たまり、接触境界が決定的な場合もあります。教訓はもっと狭いものです。どこで誤差を測るかが、学習時にどの違いを残す圧力をかけるかを決めます。

本当のルール

LeWMの中核目的は次画像の生成ではありません。記録された次観測をencodeし、以前のcodeと行動からそのcodeを予測し、2つを比較します。

観測: [B,T,C,H,W] -> code: [B,T,D]
使う行動: [B,T-1,A]
予測と対象: [B,T-1,D] <-> [B,T-1,D]

これにより選択的抽象化の余地ができます。結果を変えない照明なら、同じようなcodeにしてもよいかもしれません。しかし「latent」という言葉は何も保証しません。壁紙を残して出入口を捨てるcodeもあり得ます。中核rolloutはvector列で、隠れた動画ではありません。画像化には別の診断decoderが必要です。

制御に役立つ表現には、状況の違い、行動効果、時間的手掛かり、plannerに役立つ比較が残っていてほしいものです。またoffline dataのstate–action support外では慎重に扱う必要があります。これは検査すべき設計目標であり、圧縮が約束する性質ではありません。

固定コードでは1つの共有trainable encoderを使い、次観測のencoded targetも接続されたままです。EMA教師もstop-gradientもありません。SIGRegは後で最も簡単なconstant-code shortcutへ圧力をかけますが、physicsやreachabilityのlabelではありません。

だまされる仕掛け

「圧縮dial」を回します。一方の端には全pixelと全nuisance、もう一方には全画像で同じconstant vectorがあります。constantは小さく、予測器がいつも返せるので完全に予測可能です。しかし制御には使えません。

よい診断では要因を1つずつ変えます。geometryを固定してtextureとlightingを変え、次にappearanceを似せたままdoorwayを開閉します。期待するのは、指定したnuisanceには不変で、経路を変えるcueには敏感なことです。さらにfloor textureをfrictionの印にするなどtaskを反転し、「nuisance」が条件付きだったことも確かめます。

きれいなcluster plotだけでは足りません。held-out prediction、action swap、planning outcomeと組み合わせます。

実験レシート

LeWorldModel v3と固定train.pyは、compact next-embedding prediction、connected target、SIGReg、中核目的の外にあるauxiliary decoderを裏づけます。

I-JEPA v3の限定された比較では、ImageNet-1KのViT-L/16、1% label linear evaluationで、representation targetはtop-1 66.9、pixel targetは40.7でした。pretraining scheduleは500 epochs対800 epochsで異なります。これは名前付きの静止画像条件の結果であり、controlでlatent predictionが常に勝つ証明ではありません。

許される主張は、latent predictionが選択的抽象化を可能にすることです。pixel predictionが本質的に劣る、最小codeが最良、latent errorがtask errorと同じ、とは言えません。

3問クイックチェック

  1. 多数の誤pixelより、1本の誤ったdoor edgeが重要になるのはなぜですか。
  2. constant codeはなぜ予測しやすく、制御には使えないのでしょうか。
  3. doorway geometryが残ったかを確かめるには、どの2条件を比べますか。