内在能量联合嵌入预测架构诱导拟度量空间
机器学习
2026-02-13 v1 人工智能
摘要
联合嵌入预测架构 (JEPA) 旨在通过从上下文嵌入预测目标嵌入来学习表示，从而在潜在空间中诱导出一个标量兼容性能量。相比之下，拟度量强化学习 (QRL) 通过有向距离值（代价）研究目标条件控制，该值支持在非对称动力学下达到目标。在这篇短文中，我们通过将注意力限制在一类有原则的 JEPA 能量函数上：内在（最小作用量）能量，定义为两个状态之间可容许轨迹上累积局部努力的下确界，来连接这些观点。在温和的封闭性和可加性假设下，任何内在能量都是一个拟度量。在目标到达控制中，最优代价函数恰好具有这种内在形式；反过来，训练用于建模内在能量的 JEPA 属于 QRL 所针对的拟度量值类。此外，我们观察到为什么对称有限能量在结构上与单向可达性不匹配，从而在方向性重要时激发了非对称（拟度量）能量。
引用
@article{arxiv.2602.12245,
title = {Intrinsic-Energy Joint Embedding Predictive Architectures Induce Quasimetric Spaces},
author = {Anthony Kobanda and Waris Radji},
journal= {arXiv preprint arXiv:2602.12245},
year = {2026}
}