論文の概要: JEPA-Anything: Learning Predictive Models across Different Worlds

• arxiv url: http://arxiv.org/abs/2609.20800v1
• Date: Thu, 17 Sep 2026 17:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.41868
• Title: JEPA-Anything: Learning Predictive Models across Different Worlds
• Title（参考訳）: JEPA-Anything: さまざまな世界の予測モデルを学ぶ
• Abstract要約: 予測因子化(OPF)に基づくドメインに依存しないフレームワークであるJEPA-Anythingを紹介する。 視覚,生物学,臨床軌道,制御,分子動力学,物理場,気象の7分野にまたがって評価を行った。 OPFは潜伏目標を補完的な要因に分解し、専用の経路を通して学習し、それらを共通の予測設計で再結合する。
• 参考スコア（独自算出の注目度）: 92.95757831350522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World modeling enables intelligence to anticipate consequences, guide interventions, and learn from interaction. Yet predictive models remain domain-specific: can a common learning principle support world modeling across radically different systems? We introduce JEPA-Anything, a domain-agnostic framework based on orthogonal predictive factorization (OPF). Extending joint-embedding predictive architectures, OPF decomposes latent targets into complementary factors, learns them through dedicated pathways, and recombines them within a shared predictive design. We evaluate JEPA-Anything across seven domains: vision, biology, clinical trajectories, control, molecular dynamics, physical fields, and weather. Experiments span representation learning, intervention prediction, out-of-distribution generalization, and long-horizon dynamics, including 10 matched dynamics tasks, forecasting of over 1,000 clinical events, and 100-step molecular rollouts across four systems. Against matched JEPA baselines, JEPA-Anything improves reported metrics on all 10 dynamics tasks and reduces single-intervention prediction error on Interventional Pong by 34.8%. It achieves the lowest one-step and 100-step molecular errors among compared methods in all four systems. Beyond prediction, a factor-nominated biological intervention receives experimental support in cell co-cultures, patient-derived organoids, tumor fragments, and mice; latent orbital modes recover the Keplerian scaling exponent with a fitted slope of -1.4991. These results support a common factorized predictive principle across heterogeneous worlds, connecting world modeling with intervention and experimentally grounded scientific discovery. Code: https://github.com/Gen-Verse/JEPA-Anything
• Abstract（参考訳）: 世界モデリングは、インテリジェンスによる結果の予測、介入のガイド、相互作用からの学習を可能にする。 一般的な学習原則は、根本的に異なるシステムにわたる世界モデリングをサポートできますか? 直交予測因子化(OPF)に基づくドメインに依存しないフレームワークであるJEPA-Anythingを紹介する。 OPFは共同埋め込み予測アーキテクチャを拡張し、潜在目標を補完要因に分解し、専用の経路を通して学習し、それらを共有予測設計で再結合する。 視覚,生物学,臨床軌跡,制御,分子動力学,物理場,気象の7分野にわたるJEPA-Anythingを評価した。 実験は、表現学習、介入予測、アウト・オブ・ディストリビューションの一般化、そして10のマッチングされたダイナミクスタスク、1000以上の臨床イベントの予測、および4つのシステムにわたる100段階の分子ロールアウトを含む長期のダイナミクスにまたがる。 一致したJEPAベースラインに対して、JEPA-Anythingは10の動的タスクのレポートされたメトリクスを改善し、Interventional Pongでの単一干渉予測エラーを34.8%削減する。 4つの系で比較された方法の中で、最も低い1段階と100段階の分子誤差を達成している。 予測の他に、因子に指示された生物学的介入は、細胞共培養、患者由来のオルガノイド、腫瘍の断片、マウスにおいて実験的に支持を受け、潜在軌道モードはケプラーのスケーリング指数を-1.4991の傾きで回復させる。 これらの結果は、異種世界の共通因数分解予測原則をサポートし、世界モデリングと介入を結びつけ、実験的に根拠付けられた科学的発見を結び付ける。 コード:https://github.com/Gen-Verse/JEPA-Anything

関連論文リスト

• An immune world model for multiscale forecasting and therapeutic hypothesis generation [76.0289504908521]
  私たちはImmune World Modelを構築するために、支配的な進化的AIサイエンティストを使用しました。 免疫世界モデル(Immune World Model)は、細胞、組織、個体レベルでの免疫状態の移動方法を学ぶ行動条件モデルである。 マルチスケール免疫シミュレーションのためのフレームワークを提供しており、AIサイエンティスト主導のモデル構築、介入予測、そして予想されるテスト可能な治療仮説の生成を接続する。
  論文  参考訳（メタデータ） (2026-09-13T18:06:18Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Dynamic Graph Neural Network for Data-Driven Physiologically Based Pharmacokinetic Modeling [6.816046360590831]
  生理に基づく薬物動態(PBPK)モデリングは、臓器全体にわたる薬物濃度の動態を予測することによって、薬物開発において重要な役割を担っている。 伝統的なアプローチは、強い単純化された仮定を持つ通常の微分方程式に依存しており、非線形生理学的相互作用への適応性を制限している。 本稿では,生理的接続を臓器間の繰り返しメッセージパッシングプロセスとしてモデル化する動的グラフニューラルネットワーク(Dynamic GNN)を提案する。
  論文  参考訳（メタデータ） (2025-10-25T00:40:12Z)
• Unified Spatiotemporal Physics-Informed Learning (USPIL): A Framework for Modeling Complex Predator-Prey Dynamics [0.0]
  エコロジーシステムは、従来のモデリングに挑戦する複雑なマルチスケールのダイナミクスを示す。 新しい方法は、保存原則に固執しながら、時間的振動と創発的なパターンを捉える必要がある。 本稿では,物理インフォームドニューラルネットワークを統合したディープラーニングアーキテクチャであるUnified Stemporal Physics-Intemporal Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-16T18:02:23Z)
• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と一体化するためのメタフローマッチング(MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)

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。