标签
介绍了CardioState-JEPA，一种心脏基础模型，利用延迟感知的联合嵌入预测架构，在ECG、PPG和PCG信号之间学习共享表征，从而改进下游心脏分类任务。
提出时序距离JEPA（TD-JEPA），从离线轨迹中挖掘有向时序代价，以改进潜在世界模型预测控制，在机器人环境中实现了更高的成功率。
本文提供了关于在 6G 网络中使用联合嵌入预测架构（JEPA）进行自监督学习的教程，并附带一个波束管理案例研究和开放挑战。
Micro-JEPA 是一个轻量级的JEPA（联合嵌入预测架构）Python实现，使智能体能够学习环境表征、在潜在空间中预测未来状态，并规划动作以避开障碍物。
提出CF-JEPA，一种无掩码的自监督学习框架，用于时间序列表示学习。该方法通过从随机裁剪中进行多视野前向预测，并利用在线编码器与指数移动平均目标编码器之间的不对称性，在分类、预测和异常检测任务上提升了性能。