SplitJEPA：无需重建的 invariant 与 variant 潜在世界学习

基于摘要分析。SplitJEPA 研究如何在不重建观测的情况下，将动态世界的潜在状态组织为相关观测间共享的 invariant 因素与发生变化的 variant 因素。作者提出一种 Joint Embedding Predictive Architecture（JEPA），直接在表征空间联合恢复潜在状态及其 invariant–variant 结构，而不引入观测解码器。 核心理论贡献是：作者证明，在平稳高斯预测动力学和满秩变化条件下，SplitJEPA 可识别 invariant 与 variant 子空间，但各子空间内部仍存在独立的分块等距变换不确定性。这并不意味着唯一恢复每个潜在坐标；其保证针对的是子空间分解。相较于依赖重建来组织潜变量的路线，该工作将无重建潜在恢复推进到 invariant–variant 分块识别。具体损失、训练流程及条件的形式化定义尚未验证。 作者报告，合成非线性系统与机器人操作任务上的实验支持理论结果，并展示鲁棒性与效率方面的实用价值。摘要未提供具体任务名称、数据划分、对照方法、指标或数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中任务相关因素与被试、会话或采集条件相关变化能够形成可识别的结构，该机制可能为跨被试、跨会话表征分解提供思路。可考虑复用表征空间预测与子空间组织机制，但需改造 EEG 编码器和观测配对方式；不能预先将所有 variant 成分视为应去除的噪声。EEG 的低信噪比、非平稳性、通道差异及小数据条件可能破坏理论假设，任务信息也可能与变化因素耦合。一个可证伪的小实验是在固定跨会话划分下，对同一 EEG 片段施加已知通道增益或噪声扰动，比较 SplitJEPA 与未分块 JEPA 的任务信息保留及扰动可预测性，检验两类因素是否分离。该方案不是论文已验证结果；已有 EEG 相关工作尚未检索确认。