各向异性表示提升JEPA世界模型中的规划

arXiv 2026 36 method

TLDR

AnisoWM采用ΛReg学习对角协方差目标，使潜表征几何对齐任务代价，提升JEPA世界模型规划。

评分理由

The paper provides a focused theoretical analysis of how representation geometry affects planning costs and supports it with empirical gains across four visual control environments. However, it relies only on simulated control benchmarks and does not demonstrate real-world deployment or compare with broader generative world model approaches.

Read-first 评分解释

综合优先阅读分 36，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 39。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、指标、结果

主题相关性 25%

55.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：GitHub

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：352。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

interactive world model

world simulator

generative world model

video world model

深度分析

创新点

发现各向同性高斯正则化即使在预测准确且表征未坍缩的情况下，也可能产生与任务不对齐的潜在规划几何。
提出AnisoWM与ΛReg，在固定迹和各向异性约束下，用可学习的对角协方差目标替代固定的各向同性高斯目标。
分析了预测驱动的目标方差分配，以及诱导度量降低规划遗憾的条件。

方法

本文提出AnisoWM，一种潜在世界模型，使用ΛReg在固定迹和各向异性约束下学习对角协方差目标，同时保持预测目标、预测器架构和欧氏距离规划器不变。包含目标方差分配与规划遗憾的理论分析，并在四个视觉控制环境中与LeWorldModel比较规划成功率和潜在代价与任务结果的一致性。

关键结果

AnisoWM在全部四个视觉控制环境中的规划成功率均优于LeWorldModel，且其潜在规划代价与任务结果的一致性更好。

资源

论文