Buchumschlag

Subspace-Decomposed JEPAs: Disentangling Progression and Content in Latent World Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thil, Lucas, Read, Jesse, Kaddah, Rim, Doquet, Guillaume
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

STEP: Learning STructured Embeddings for Progressive Time Series
von: Thil, Lucas, et al.
Veröffentlicht: (2026)

I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation
von: Thil, Lucas, et al.
Veröffentlicht: (2025)

Uncertainty Quantification as a Complementary Latent Health Indicator for Remaining Useful Life Prediction on Turbofan Engines
von: Thil, Lucas, et al.
Veröffentlicht: (2025)

A Machine Learning Framework for Turbofan Health Estimation via Inverse Problem Formulation
von: Leyli-Abadi, Milad, et al.
Veröffentlicht: (2026)

Parameter-Efficient Distributional RL via Normalizing Flows and a Geometry-Aware Cramér Surrogate
von: C., Simo Alami, et al.
Veröffentlicht: (2025)

Beyond Isotropy in JEPAs: Hamiltonian Geometry and Symplectic Prediction
von: Alvarez, Robert Jenkinson
Veröffentlicht: (2026)

Beyond Patient Invariance: Learning Cardiac Dynamics via Action-Conditioned JEPAs
von: Fernandes, Jose Geraldo, et al.
Veröffentlicht: (2026)

Enhancing JEPAs with Spatial Conditioning: Robust and Efficient Representation Learning
von: Littwin, Etai, et al.
Veröffentlicht: (2024)

Learning from Data Streams: An Overview and Update
von: Read, Jesse, et al.
Veröffentlicht: (2022)

Gaussian Embeddings: How JEPAs Secretly Learn Your Data Density
von: Balestriero, Randall, et al.
Veröffentlicht: (2025)

Decomposing Representation Space into Interpretable Subspaces with Unsupervised Learning
von: Huang, Xinting, et al.
Veröffentlicht: (2025)

Generative Modeling of Discrete Data Using Geometric Latent Subspaces
von: Gonzalez-Alvarado, Daniel, et al.
Veröffentlicht: (2026)

Estimating Conditional Covariance between labels for Multilabel Data
von: Park, Laurence A. F., et al.
Veröffentlicht: (2025)

Branches: Efficiently Seeking Optimal Sparse Decision Trees with AO*
von: Chaouki, Ayman, et al.
Veröffentlicht: (2024)

Online Learning of Decision Trees with Thompson Sampling
von: Chaouki, Ayman, et al.
Veröffentlicht: (2024)

Enhanced Latent Multi-view Subspace Clustering
von: Shi, Long, et al.
Veröffentlicht: (2023)

Dependent Latent Class Models
von: Bowers, Jesse, et al.
Veröffentlicht: (2022)

Disentangling Interpretable Factors with Supervised Independent Subspace Principal Component Analysis
von: Su, Jiayu, et al.
Veröffentlicht: (2024)

Disentangled Latent Spaces for Reduced Order Models using Deterministic Autoencoders
von: Schwarz, Henning, et al.
Veröffentlicht: (2025)

Equivalence Set Restricted Latent Class Models (ESRLCM)
von: Bowers, Jesse, et al.
Veröffentlicht: (2024)

Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics
von: Chen, Yenho, et al.
Veröffentlicht: (2024)

A Unified Latent Space Disentanglement VAE Framework with Robust Disentanglement Effectiveness Evaluation
von: Lang, Xiaoan, et al.
Veröffentlicht: (2026)

Disentanglement Analysis in Deep Latent Variable Models Matching Aggregate Posterior Distributions
von: Saha, Surojit, et al.
Veröffentlicht: (2025)

Hierarchical Planning with Latent World Models
von: Zhang, Wancong, et al.
Veröffentlicht: (2026)

Factored Latent Action World Models
von: Wang, Zizhao, et al.
Veröffentlicht: (2026)

Group-Aware Matrix Estimation and Latent Subspace Recovery
von: Golubovic, Hamza, et al.
Veröffentlicht: (2026)

CORAL: Disentangling Latent Representations in Long-Tailed Diffusion
von: Rodriguez, Esther, et al.
Veröffentlicht: (2025)

Reflections on Disentanglement and the Latent Space
von: Schaerf, Ludovica
Veröffentlicht: (2024)

Latent Concept Disentanglement in Transformer-based Language Models
von: Hong, Guan Zhe, et al.
Veröffentlicht: (2025)

A Conditional GAN for Tabular Data Generation with Probabilistic Sampling of Latent Subspaces
von: Akritidis, Leonidas, et al.
Veröffentlicht: (2025)

LatentGAN Autoencoder: Learning Disentangled Latent Distribution
von: Kalwar, Sanket, et al.
Veröffentlicht: (2022)

Co-Evolving Latent Action World Models
von: Wang, Yucen, et al.
Veröffentlicht: (2025)

Disentangled Latent Dynamics Manifold Fusion for Solving Parameterized PDEs
von: Liang, Zhangyong
Veröffentlicht: (2026)

Disentangled Latent Spaces Facilitate Data-Driven Auxiliary Learning
von: Skenderi, Geri, et al.
Veröffentlicht: (2023)

Disentangling Disentangled Representations: Towards Improved Latent Units via Diffusion Models
von: Jun, Youngjun, et al.
Veröffentlicht: (2024)

Joint Identifiability of Cross-Domain Recommendation via Hierarchical Subspace Disentanglement
von: Du, Jing, et al.
Veröffentlicht: (2024)

Annealed Co-Generation: Disentangling Variables via Progressive Pairwise Modeling
von: Zhang, Hantao, et al.
Veröffentlicht: (2026)

Meta-DT: Offline Meta-RL as Conditional Sequence Modeling with World Model Disentanglement
von: Wang, Zhi, et al.
Veröffentlicht: (2024)

Isometric Representation Learning for Disentangled Latent Space of Diffusion Models
von: Hahm, Jaehoon, et al.
Veröffentlicht: (2024)

IMWM: Intuition Models Complement World Models for Latent Planning
von: Gao, Baoqi, et al.
Veröffentlicht: (2026)