G-JEPA：物理锚定表征与先验引导规划

基于摘要分析。本文研究面向规划的动作条件潜在世界模型，提出 G-JEPA，通过显式聚合时序上下文加强潜在表征与物理状态的关联，并以学习到的动作先验引导规划搜索。主要研究对象是操作任务中的世界模型与动作规划，而非 EEG 解码或 BCI。 在表征学习阶段，方法基于 Joint Embedding Predictive Architectures（JEPAs），直接在潜在空间建模状态转移，而非预测像素。作者引入共享的因果时序模块，在物理状态监督下聚合观测序列与预测序列的时序上下文，使二者与任务相关的物理状态建立关联。摘要未给出具体物理状态变量、监督获取方式、网络结构或损失形式。 在规划阶段，方法逐步使用当前潜在表征、目标潜在表征及二者动态变化的差异，对生成式动作分布进行条件化，产生带有状态与目标约束的候选动作，再通过学习到的世界模型进行在线细化。这一路径旨在降低规划对通用采样分布的依赖，将表征学习中的物理监督与搜索中的动作先验结合起来。 作者报告，在操作任务上规划性能有所改善，评估包含初始观测与目标观测之间时间间隔逐渐增大的任务。摘要未提供数据集、任务规模、对照基线、指标或具体数值，因此尚不能判断改善幅度及其适用边界；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容、运行条件及复现完整性尚未核验。 平台推测（待验证）：时序上下文聚合可能与部分可观测神经信号的状态估计问题存在机制联系，但本文依赖物理状态监督、动作及目标表征，其与 EEG/BCI 数据及闭环任务的对应关系尚不明确，不据此提出具体迁移实验。已有 EEG 相关工作尚未检索确认。