Phys-JEPA: 物理信息驱动的潜在世界模型用于多变量时间序列预测

arXiv 2026 54.9 method

TLDR

Phys-JEPA提出物理信息潜世界模型，将预测状态分解为物理与残差分量，用于多变量时间序列预测。

评分理由

The paper presents a novel approach by enforcing physical consistency on latent states rather than decoded outputs, showing improvements on real-world datasets. However, the results are described as 'initial', and the evaluation is limited to three datasets without extensive ablation or comparison to state-of-the-art physics-informed methods.

Read-first 评分解释

综合优先阅读分 54.9，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 21。

近期性 6%

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

引用影响力 18%

91.8

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。归一化引用分位：0.91830888

方法质量 18%

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：基线、数据集、指标、结果

可复现性 18%

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：代码、数据集

主题相关性 29%

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

引用速度 12%

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

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：437。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

interactive world model

video world model

深度分析

创新点

将潜在预测状态分解为物理分量和残差分量
直接在潜在状态和潜在转换上施加物理一致性，而不仅仅在解码预测上
利用已知物理变量组织表示空间，同时保留对未解析动力学的残差容量

方法

Phys-JEPA是一种用于多变量时间序列预测的联合嵌入预测架构。它学习一个潜在世界模型，其中预测状态被分解为物理分量和残差分量，并在潜在状态和转换上强制执行物理一致性。该模型在Jena Climate、Traffic和Electricity数据集上使用MSE指标进行评估。

关键结果

在Jena Climate数据集上，H=24时，聚合MSE从0.12482降至0.12273，温度MSE从0.01892降至0.01831。在Traffic数据集上，完整Phys-JEPA在所有预测范围内均优于监督基线，例如H=192时MSE从0.800784降至0.773873。在Electricity数据集上，最佳变体取决于预测范围：静态潜在一致性在H=24和H=48时最强，而完整Phys-JEPA在H=192时给出最佳的聚合和目标变量MSE。

局限性

结果尚属初步，尚未在多个领域进行全面验证
最佳变体取决于预测范围和数据集，需要仔细选择
需要已知物理变量来定义潜在空间中的物理分量

资源

论文