部分传感器重叠下的跨机器CNC迁移：架构自适应动作条件化JEPA

arXiv cs.LG 论文
jepa action-conditioned cross-machine-transfer cnc sensor-overlap industrial-ai transfer-learning

摘要

本文提出SAAC-JEPA，一种架构自适应动作条件化JEPA模型，用于在部分传感器重叠的CNC机器之间迁移预测表示，证明跨机器适应需要超越源域准确性的独特评估。

arXiv:2609.16071v1 公告类型：新 摘要：工业世界模型的跨机器部署需要在动态变化、传感接口、采样模式和控制单元之间进行迁移。我们研究了一种用于CNC动态的架构自适应动作条件化联合嵌入预测架构（SAAC-JEPA），其中源机器有17个标准传感器通道，而目标机器仅共享10个。评估使用组内互斥的源分割、仅源归一化、保留的自监督验证、单元审计以及模型锁定后的密封目标测试。在五个随机种子下，JEPA预训练没有带来清晰的源域预测增益：从零开始和预训练主体的模型分别获得 \(\mathrm{RMSE}=0.811\pm0.022\) 和 \(0.813\pm0.022\)。仅通过源域在20个候选模型中搜索，经过七个种子的稳定性检查后选择了架构一致的动作条件化JEPA。在确认性目标测试中，锁定模型达到零-shot \(\mathrm{RMSE}=0.546\)、\(R^2=0.012\) 和 \(\mathrm{NLL}=0.52\)，优于持续性预测但不如配备RevIN的PatchTST和iTransformer基线模型（\(0.503\) 和 \(0.498\)）。一个预先声明的配对消融研究表明，在相同架构中使用RevIN可以将RMSE提高到 \(0.495\pm0.004\)（三个种子），但在固定上下文窗口中降低了目标校准（\(\mathrm{NLL}=20.6\)）。一个预锁定的适应性扫描在有限目标支持下进一步将RMSE降低到 \(0.520\)。这些结果表明，仅源域预测准确性不足以评估工业预测表示，且部分传感器重叠下的跨机器适应是一个独特的评估维度。
查看原文
查看缓存全文

缓存时间: 2026/09/16 08:39 

# 部分传感器重叠下基于图式自适应动作条件JEPA的跨机器CNC迁移
来源：https://arxiv.org/abs/2609.16071  
查看PDF (https://arxiv.org/pdf/2609.16071)

> 摘要：工业世界模型的跨机器部署需应对动力学特性、传感接口、采样机制及控制单元的变化。本文研究了一种用于CNC动力学分析的**图式自适应动作条件联合嵌入预测架构**（SAAC-JEPA），其中源机器具有17个标准传感器通道，目标机器仅共享其中10个。评估采用分组离散源分割、仅源归一化、留出自监督验证、单元审计以及模型锁定后的封闭目标测试。在五组随机种子下，JEPA预训练未带来干净的源域预测增益：随机初始化模型与预训练主体模型的均方根误差分别为\(\mathrm{RMSE}=0.811\pm0.022\)与\(0.813\pm0.022\)。经过七组种子稳定性检验，从20个候选方案中筛选出与图式一致的动作条件JEPA模型。在验证性目标测试中，锁定模型实现了零样本\(\mathrm{RMSE}=0.546\)、\(R^2=0.012\)与\(\mathrm{NLL}=0.52\)，优于持续性预测但不及配备RevIN的PatchTST与iTransformer基线（分别为\(0.503\)和\(0.498\)）。预声明的配对消融实验表明，在相同架构中使用RevIN可将三组种子下的RMSE提升至\(0.495\pm0.004\)，但在平稳上下文窗口中导致目标校准性能下降（\(\mathrm{NLL}=20.6\)）。锁定前的自适应扫描在有限目标支持下进一步将RMSE降至\(0.520\)。研究结果表明：源域预测精度不足以评估工业预测表征，而部分传感器重叠下的跨机器自适应应作为独立的评估维度。

## 投稿历史

来自：Ayoub Louaye Bouaziz [查看邮件 (https://arxiv.org/show-email/17640a10/2609.16071)] **[v1]** 2026年9月13日 星期日 15:10:06 UTC (582 KB)

相似文章

用动作条件预测一致性诊断JEPA世界模型

arXiv cs.LG

提出动作条件预测一致性（ACPC），这是一种JEPA世界模型的诊断方法，用于衡量在动作条件展开中干净观测与扰动观测如何发散，并为预测误差和规划器成本提供理论界限。在多个视觉控制任务上的实验验证了该诊断在LeWM和PLDM等模型上的有效性。

@MuzafferKal_: 哈密顿 JEPA：带继承控制状态的动作条件世界模型

X AI KOLs Following

H-JEPA 引入了一种动作条件的联合嵌入预测架构，将宽泛的感知编码与继承的控制状态分离，后者由耗散型端口-哈密顿动力学所支配；端口逆一致性作为对预测误差的一种无需参数的重新加权，在基于像素的控制基准上与 Delta-JEPA 等基线持平或更优。

Slot-JEPA：面向潜在世界模型的对象结构化预测接口

Hugging Face Daily Papers

Slot-JEPA 将 JEPA 的稠密表示分解为可复用的语义槽与空间掩码，提供面向对象的预测接口，并结合 Transition Memory Predictor 与非平衡最优传输提升视觉理解迁移和目标条件规划，在七项视觉基准与 REALM-JEPA 机器人规划任务上取得改进。

AC-JEPA：用于视觉到符号转换的锚定式跨模态联合嵌入预测架构

arXiv cs.AI

论文提出 AC-JEPA（锚定式跨模态联合嵌入预测架构），一种可与监督微调（SFT）兼容的即插即用模块，通过双向跨模态预测被掩码的中间表示来提升从视觉到符号序列的翻译能力。在光学化学结构识别（OCSR）任务上，AC-JEPA 在 WildMol Simple 上达到 76.07% 的准确率（SFT 基线为 67.40%），并在使用含噪声伪标签数据进行自训练时提升至 80.23%，而直接进行 SFT 反而导致性能下降。