Sub-JEPA：子空间高斯正则化实现稳定的端到端世界模型

arXiv 2026 60.5 method

TLDR

Sub-JEPA通过在随机子空间施加高斯约束来平衡偏差-方差，在连续控制任务中优于LeWM。

评分理由

The paper clearly identifies a bias-variance tradeoff in JEPA training and proposes a novel subspace regularization method. Strengths include a well-motivated approach and strong empirical results across multiple environments. Weaknesses are the limited scope to simulated continuous-control tasks and lack of real-world validation.

Read-first 评分解释

综合优先阅读分 60.5，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 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

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：有；数据：无；命中信号：代码、GitHub

引用影响力 18%

75.6

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：0.75600614

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、实验

主题相关性 29%

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

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复现锚点

排序敏感性

稳定性：volatile；排名波动范围：464。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

world simulator

interactive world model

generative world model

video world model

深度分析

创新点

针对JEPA世界模型的子空间高斯正则化
通过在多个随机子空间而非原始嵌入空间施加高斯约束来平衡偏差-方差权衡
简单有效的方法，在连续控制任务中持续显著优于LeWM

方法

Sub-JEPA在潜在嵌入空间的多个随机子空间中施加高斯约束，而非在原始高维环境空间中。这放松了全局各向同性高斯先验，同时保留了其抗坍缩效果，从而在训练稳定性和表示灵活性之间实现更好的平衡。该方法在四个连续控制环境中进行了评估。

关键结果

Sub-JEPA在四个连续控制环境中持续显著优于LeWM。

技术栈

PythonPyTorchMuJoCo

资源

论文代码