論文の概要: Flow-JEPA: Flow Matching for Robust Latent Dynamics in JEPA World Models

• arxiv url: http://arxiv.org/abs/2608.29029v1
• Date: Sat, 29 Aug 2026 03:40:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.820711
• Title: Flow-JEPA: Flow Matching for Robust Latent Dynamics in JEPA World Models
• Title（参考訳）: フローJEPA:JEPA世界モデルにおけるロバスト遅延ダイナミクスのフローマッチング
• Authors: Yanchen Huo, Ziying Song, Yadan Luo,
• Abstract要約: JEPA(Joint-Embedding Predictive Architectures)は、コンパクトな予測表現を学習する強力な可能性を示している。 本研究では,現在の観測と動作を条件とした将来の潜伏状態列を共同生成する条件付き流れマッチング力学モデルであるFlow-JEPAを提案する。
• 参考スコア（独自算出の注目度）: 18.035166689862205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint-Embedding Predictive Architectures (JEPAs) have shown strong potential for learning compact predictive representations, and LeWorldModel (LeWM) extends this paradigm to reconstruction-free latent world modeling from pixels. However, its deterministic autoregressive predictor generates future states through repeated one-step transitions, which can accumulate errors and remain sensitive to task-irrelevant visual perturbations. In this work, we propose Flow-JEPA (F-JEPA), a conditional flow matching dynamics model that jointly generates a sequence of future latent states conditioned on the current observation and actions. A Gaussian distribution serves as the flow source, exposing the vector field to perturbed latent trajectories as it learns to transport them toward clean future representations. This formulation retains the reconstruction-free JEPA framework while replacing point-wise transition regression with stochastic trajectory-level prediction. F-JEPA raises mean success from $86\%$ to $92\%$ under clean observations and from $67\%$ to $86\%$ under noisy conditions, suggesting that conditional flow matching provides a promising alternative to deterministic autoregressive dynamics in JEPA world models.
• Abstract（参考訳）: JEPA(Joint-Embedding Predictive Architectures)はコンパクトな予測表現を学習する強力な可能性を示しており、LeWorldModel(LeWM)はこのパラダイムを画素からの復元不要な潜在世界モデリングに拡張している。 しかし、その決定論的自己回帰予測器は、繰り返し1段階の遷移を通じて将来の状態を生成し、エラーを蓄積し、タスク非関連の視覚摂動に敏感な状態を維持することができる。 本研究では,現在の観測と動作を条件とした将来の潜伏状態列を共同生成する条件流マッチング力学モデルであるFlow-JEPA(F-JEPA)を提案する。 ガウス分布は流れの源として機能し、乱れた潜在軌道にベクトル場を露出させる。 この定式化は、ポイントワイズ遷移回帰を確率的軌道レベルの予測に置き換えつつ、再構成不要なJEPAフレームワークを維持している。 F-JEPAは、クリーンな観察の下で平均的な成功率を8,6\%から9,2\%に、ノイズの多い条件下では6,7\%から8,6\%に引き上げ、条件付きフローマッチングがJEPAワールドモデルにおける決定論的自己回帰力学に代わる有望な選択肢となることを示唆している。

関連論文リスト

• JEPA-x: Cross-Predictive Physics Grounding for Forecastable Latent Dynamics [9.006010556484968]
  自己予測モデルでは、エンコーダと予測器は共同で最適化され、潜伏遷移に適応することができる。 我々は、特権的物理軌道の潜在ダイナミクスを基盤とするクロス予測型JEPA(JEPA-x)を紹介する。
  論文  参考訳（メタデータ） (2026-08-25T04:07:07Z)
• WA-JEPA: Rethinking the Video JEPA Paradigm for World-Action Modeling in Autonomous Driving [8.510409798128272]
  本稿では、自律運転計画のためのVEPAネイティブな世界行動モデルWA-JEPAを提案する。 WA-JEPAは、モデルが観測された文脈から将来の潜伏者を推測する、ハイブリッド・フューチャー・マスク・プレトレーニングを採用している。 結果:WA-JEPAはNAVSIMで91.7Sに達し、最強のエンドツーエンドとワールドアクションベースラインを超えた。
  論文  参考訳（メタデータ） (2026-08-21T10:54:35Z)
• Perceptual Flow Matching for Few-Step Generative Modeling [64.26537634881244]
  知覚フローマッチング(Perceptual Flow Matching)は、フローマッチングモデルにおいて、数ステップ生成のためのフレームワークである。 PFMは、適切な表現空間で教師される際に、高品質な数ステップジェネレータを生成する。
  論文  参考訳（メタデータ） (2026-07-03T17:55:01Z)
• Sub-JEPA: Subspace Gaussian Regularization for Stable End-to-End World Models [26.928611870426383]
  JointEmbedding Predictive Architectures (JEPA)は、将来の潜伏表現を予測することで、世界モデルを学ぶためのシンプルなフレームワークを提供する。 最近のLeWorldModel (LeWM) は、この問題を、同型ガウス先行の埋め込みを単純に制限することで緩和できることを示している。 元の埋め込み空間ではなく、複数のランダム部分空間にガウス的制約を適用することにより、バイアス分散フロンティア上の有利な操作点を求めるameを提案する。
  論文  参考訳（メタデータ） (2026-05-10T00:51:47Z)
• ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
  視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。 本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:42Z)
• VJEPA: Variational Joint Embedding Predictive Architectures as Probabilistic World Models [0.0]
  EmphVariational JEPA (VJEPA) はテキスト確率論的な一般化であり、変動目的を通して将来の潜伏状態の予測分布を学習する。 VJEPA表現は、画素再構成なしで最適な制御のための十分な情報状態として機能し、崩壊回避の正式な保証を提供する。 我々は、予測的信念を学習力学の専門家とモジュラー事前専門家に分解する拡張であるEmphBayesian JEPA (BJEPA)を提案する。
  論文  参考訳（メタデータ） (2026-01-20T18:04:16Z)
• Probabilistic Forecasting via Autoregressive Flow Matching [1.5467259918426441]
  FlowTimeは、時系列データの確率予測のための生成モデルである。 我々は、将来の観測の連成分布を条件密度の列に分解し、それぞれが共有フローを介してモデル化される。 本研究では,複数の動的システムおよび実世界の予測タスクにおけるFlowTimeの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-13T13:54:24Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL [50.385005413810084]
  ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。 $textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
  論文  参考訳（メタデータ） (2023-10-11T06:10:07Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。