研究揭示JEPA联合嵌入预测架构训练动力学
原文标题：Drive vs. Decay: On the Training Dynamics of Joint-Embedding Predictive Architectures
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文为 JEPA 的表征崩塌问题建立早期训练稳定性理论，将梯度流线性化后得到驱动力 γ 与衰减效应 σ，并给出每模态稳定比 μ 与相边界预测，在 800 多个 Tabular-JEPA 配置上验证。基于该分析提出 ResidualPred 预测器，在表格基准与 I-JEPA 预训练中提升有效秩与下游准确率。
- 问题
- JEPA 表征崩塌只能靠经验性启发式缓解，缺乏理论解释。
- 方法
- 线性化 JEPA 梯度流，导出驱动力 γ 与衰减 σ 及每模态稳定比 μ，据此设计 ResidualPred 预测器。
- 结果
- 在 800 多个 Tabular-JEPA 配置上验证相边界，并在 CIFAR-10/100、STL-10、ImageNet 的 I-JEPA 预训练中提升有效秩与下游准确率。
- 影响
- 把崩塌规避从调参玄学变成可预测的动力学判据，降低自监督预训练试错成本。
深读 · 结论先行AI 生成展开看要点与影响 ↓
JEPA表征崩塌有了早期训练稳定性理论，800+配置验证相边界，并提出ResidualPred预测器
- •将JEPA梯度流在平凡不动点线性化，得到驱动力γ与衰减效应σ两个竞争效应
- •在近似谱解耦下，每模态稳定比μ=γ/σ分解为数据侧与预测器侧独立项，不稳定模态数对应可涌现表征秩
- •理论预测的相边界在800多个Tabular-JEPA配置上得到实证确认
- •统一解释预测器缩放、掩码比例、EMA三种机制；提出ResidualPred，在表格基准与I-JEPA的CIFAR-10/100、STL-10、ImageNet预训练上提升有效秩与下游准确率
为什么重要：把JEPA防崩塌的经验技巧变成可预测的动力学框架，为自监督架构调参提供理论依据而非试错。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。