Self-supervised DXA representations encode multi-system disease risk, biological aging and heritability
自监督DXA表征可编码多系统疾病风险、生物衰老与遗传率
AI总结 本研究提出基于JEPA架构的LeDXA模型，利用少量数据和计算从DXA图像中学习到可编码多系统疾病风险、生物衰老与遗传率的表征，提升了疾病预测及相关生物指标的表现。
Comments Preprint Version
作者
Yann LeCun
Deep Learning / Vision
HP-JEPA: Hierarchical Partitioning for Multi-Resolution Graph Joint-Embedding Predictive Learning
HP-JEPA：用于多分辨率图联合嵌入预测学习的层次划分方法
机构 * Stony Brook University（石溪大学） ； TikTok（TikTok（抖音海外版）） ； PayPal（PayPal（贝宝）） ； New York University（纽约大学）
AI总结 HP-JEPA是一种多分辨率图联合嵌入预测的层次划分框架，通过在不同分辨率下进行潜在预测并整合表示，在多数图分类与回归基准及不同规模图上，性能优于固定分辨率的Graph-JEPA。
Comments 15 pages, 4 figures, 5 tables
Music-JEPA: Learning a World Model of Sound from Action
Music-JEPA：从动作中学习声音的世界模型
AI总结 研究提出Music-JEPA，将音乐构建为动作条件系统，用JEPA学习钢琴声音世界模型，在离线状态下用配对数据训练。实验表明模型能捕捉音乐动作与声音关系，其表示支持下游任务并能通过规划实现钢琴转录。
Patch Policy: Efficient Embodied Control via Dense Visual Representations
补丁策略：通过密集视觉表示实现高效具身控制
机构 * Courant Institute, New York University（纽约大学柯朗数学科学研究所） ； Meta-FAIR（Meta FAIR） ； AMI Labs（AMI 实验室）
AI总结 研究利用预训练密集视觉特征，提出补丁策略，通过块因果注意力掩码等实现高效具身控制。该策略轻量级、快速且高效，在模拟和真实环境中相比其他策略有显著提升，为机器人社区利用视觉表示学习提供新途径。
Separating Representation from Reconstruction Enables Scalable Text Encoders
将表示与重建分离可实现可扩展的文本编码器
机构 * FAIR Meta ； New York University（纽约大学）
AI总结 研究发现自BERT以来编码器变化小，通过冻结主干评估揭示问题源于其扁平设计。提出CrossBERT架构分离高质量编码表示学习与令牌重建，能提高掩码率和梯度收集效率，在相关基准测试中表现优异。
AdaJEPA: An Adaptive Latent World Model
AdaJEPA：一种自适应潜在世界模型
机构 * New York University（纽约大学） ； AMI Labs（AMI实验室）
AI总结 提出AdaJEPA，一种在模型预测控制闭环中进行测试时自适应的潜在世界模型，通过自监督信号持续校准模型，显著提升规划成功率。
SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors
SkyJEPA：用于四旋翼飞行器零样本仿真到现实控制的长时域世界模型学习
AI总结 提出基于JEPA的潜空间动力学模型，结合物理启发探测器实现长时域预测，并集成采样最优控制实现实时控制，通过自动化数据生成实现零样本仿真到现实迁移。
Comments Under Review
S-JEPA : Soft Clustering Anchors for Self-Supervised Speech Representation Learning
S-JEPA：用于自监督语音表示学习的软聚类锚点
机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西尔伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成式人工智能）
AI总结 提出S-JEPA，通过KL散度匹配高斯混合模型的软后验概率训练编码器-预测器对，无需离线重聚类或教师蒸馏，在SUPERB协议下以低于90M参数取得最低WER，并建立新的帕累托前沿。
You Don't Need Strong Assumptions: Visual Representation Learning via Temporal Differences
你不需要强假设：通过时间差异进行视觉表示学习
机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） ； New York University（纽约大学）
AI总结 提出TDV方法，基于因果假设（过去导致未来）从视频中自监督学习，避免强归纳偏置，在密集空间任务上达到SOTA。
Unifying Object-Centric World Models and Diffusion Policy: A Hierarchical Framework for Multi-Stage Robotic Tasks
统一对象中心世界模型与扩散策略：多阶段机器人任务的分层框架
机构 * Tandon School of Engineering, New York University（纽约大学坦登工程学院） ； Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所） ； AMI Labs（AMI实验室）
AI总结 提出WorldDP分层框架，结合高层世界模型进行运行时子目标优化和低层扩散策略执行，利用对象中心表示解耦环境实体，实现多阶段机器人操作任务的有效规划与执行。
