SplitJEPA：无需重建地学习不变与可变潜在世界

基于摘要分析。SplitJEPA 研究如何在不重建观测的前提下，将动态世界的潜在状态组织为相关观测间共享的不变因素与随观测变化的可变因素；其核心贡献是在 JEPA（Joint Embedding Predictive Architecture）框架中直接学习潜在状态及其不变—可变结构。 原论文主要面向动态系统表征与机器人操作。作者以相机位置或光照变化不应改变机器人操作决策为例，说明区分任务相关状态与观测变化的意义。与通过观测重建约束潜变量分解的路线不同，SplitJEPA 在表征空间中学习，无需引入观测解码器。摘要未给出具体损失、配对方式或训练流程。 理论方面，作者报告：在平稳高斯预测动力学和满秩变化条件下，方法可识别不变与可变子空间，但各子空间内部仍允许独立的等距变换。这是有条件的子空间可辨识性结论，不等于每个潜在坐标都能获得唯一语义解释。作者报告，合成非线性系统与机器人操作实验支持理论结果，并体现鲁棒性和效率价值；摘要未提供数据规模、划分、对照方法或量化指标，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能为 EEG 中任务状态与被试、会话或采集条件变化的分离提供思路，但原领域有效不等于 BCI 有效。可复用的是不依赖重建的潜在子空间分解思路；需改造的是 EEG 编码器、相关观测配对规则和预测目标。假设 EEG 中存在可分离且满足足够变化条件的因素，可先在固定划分的运动想象数据上加入保持标签不变的通道增益扰动，对照未分解的 JEPA，检验不变表征的扰动稳定性与任务信息保留程度。低信噪比、小数据、通道差异，以及任务信息与被试差异纠缠，都可能使该假设失效；平稳高斯动力学与满秩条件在 EEG 中是否成立需单独检验。已有 EEG 相关工作尚未检索确认。