LeJEPA何时学习世界模型？

arXiv 2026 55.1 method, theory

TLDR

LeJEPA结合高斯正则化可证明地恢复潜在世界变量，实现最优规划，在机器人控制上验证。

评分理由

The paper provides strong theoretical guarantees for linear identifiability of latent variables under Gaussian priors, supported by experiments from 2D to high-dimensional robotic control. Weaknesses include limited scope to additive-noise transitions and lack of comparison to other world model methods.

Read-first 评分解释

综合优先阅读分 55.1，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 34。

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

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：消融、分析、实验、结果

引用影响力 18%

77.8

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：0.77751957

主题相关性 29%

48.6

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 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：无

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：337。

关键词评分

world model

model-based reinforcement learning world model

interactive world model

world dynamics prediction

generative world model

world simulator

video world model

深度分析

创新点

证明LeJEPA（对齐加高斯正则化）在平稳加性噪声转移下实现了潜在变量的线性可识别性。
确立高斯分布是唯一能保证线性可识别性的潜在分布。
推导出近似可识别性结果，保证性能优雅退化。
证明线性正交可识别性可实现最优潜在空间规划。

方法

本文通过谱分解提供理论证明，表明对齐严格惩罚非线性，使线性映射成为最优。同时证明了逆命题，排除了非高斯替代方案。实验在2D到1024维潜在空间上验证了理论，包括分布消融和基于像素的机器人控制。

关键结果

LeJEPA从非线性观测中线性恢复世界的潜在变量，高斯分布是唯一能保证此性质的潜在分布。近似可识别性结果优雅退化，该方法实现了最优潜在空间规划。

局限性

该保证假设潜在变量在平稳加性噪声转移下演化。
线性可识别性结果仅适用于高斯潜在分布。
近似可识别性保证优雅退化，意味着非理想条件下恢复不完美。
分析特定于LeJEPA，可能不适用于其他世界模型架构或非平稳/非加性动力学。

技术栈

LeJEPAGaussian regularizationspectral decompositionlinear identifiability

资源

论文