💬 NLP

Temporal-Distance JEPA: Plan-Aware Representation Learning for Latent World Model Predictive Control

यह शोध पत्र टेम्पोरल-डिस्टेंस जेपा (TD-JEPA) का प्रस्ताव करता है, जो एक वर्ल्ड मॉडल दृष्टिकोण है जो रिप्रेजेंटेशन लर्निंग और प्लानिंग के बीच के अंतर को पाटने के लिए ऑफलाइन रिवॉर्ड-फ्री ट्रेजेक्टरीज से निर्देशित टेम्पोरल कॉस्ट्स को माइन करता है, जिससे पिक्सेल रिकंस्ट्रक्शन या स्पष्ट रिवॉर्ड्स पर निर्भर किए बिना अधिक प्रभावी लक्ष्य-प्रगति रैंकिंग सक्षम होती है और कई वातावरणों में मौजूदा जेपा-आधारित प्लानर्स से बेहतर प्रदर्शन करता है।

मूल लेखक: Jiaxin Bai, Jiaxuan Xiong

प्रकाशित 2026-07-29

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiaxin Bai, Jiaxuan Xiong

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को एक नई दुनिया में नेविगेट करना सिखा रहे हैं, लेकिन आप उसे कोई नक्शा या नियमों की सूची नहीं दे सकते। आपके पास केवल एक इंसान द्वारा कार्य को पूरी तरह से करने का वीडियो है। यह रोबोटिक्स में "ऑफलाइन लर्निंग" की चुनौती है: एक AI को केवल पुराने फुटेज को देखकर अपने भविष्य के कदमों की योजना बनाना कैसे सिखाया जाए? वैज्ञानिक इसे हल करने के लिए "वर्ल्ड मॉडल" नामक चीज़ का उपयोग करते हैं। एक वर्ल्ड मॉडल को रोबोट के मस्तिष्क के भीतर एक "सपनों की मशीन" के रूप में सोचें। वीडियो के हर पिक्सेल को फिर से बनाने की कोशिश करने के बजाय (जो याददाश्त से एक उत्कृष्ट कृति बनाने जैसा है), रोबोट यह सीखता है कि आगे क्या होने वाला है उसके सार (essence) की भविष्यवाणी कैसे की जाए। यह दुनिया को एक सरलीकृत, अमूर्त "लेटेंट स्पेस" (latent space) में संकुचित कर देता है—एक मानसिक मानचित्र जहाँ समान स्थितियाँ एक-दूसरे के करीब होती हैं।

बड़ा सवाल यह है: एक बार जब रोबट के पास यह मानसिक मानचित्र आ जाता है, तो वह तय कैसे करता है कि कौन सा रास्ता लेना है? आमतौर पर, रोबोट बस इस बात को मापता है कि वह अपने मानसिक मानचित्र पर जहाँ है और जहाँ वह पहुँचना चाहता है, उनके बीच की सीधी रेखा की दूरी कितनी है। लेकिन यहाँ एक पेंच है: वास्तविक दुनिया में, मानचित्र पर सीधी रेखा हमेशा सबसे तेज़ रास्ता नहीं होती है। आप दीवार के माध्यम से एक सीधी रेखा खींच सकते हैं, लेकिन रोबोट दीवार के आर-पार नहीं चल सकता। उसे समय और अनुक्रम (sequence) को समझने की आवश्यकता है। यदि रोबोट केवल दूरी को देखता है, तो वह भ्रमित हो सकता है कि वह लक्ष्य के करीब पहुँच रहा है या बस गोल-गोल घूम रहा है। यह शोध पत्र ठीक इसी समस्या को संबोधित करता है: रोबोट को अपने सपनों में समय के "प्रवाह" को समझना कैसे सिखाया जाए ताकि वह बिना किसी अतिरिक्त पुरस्कार या मानव शिक्षक के बेहतर योजना बना सके।

"सीधी रेखा" वाली सोच के साथ समस्या

शोधकर्ताओं ने LeWM (लेटेंट वर्ल्ड मॉडल) नामक एक शक्तिशाली मौजूदा प्रणाली से शुरुआत की। यह प्रणाली अपने अमूर्त मानसिक मानचित्र में आगे क्या होगा, इसकी भविष्यवाणी करने में बहुत अच्छी है। हालाँकि, जब यह किसी लक्ष्य तक पहुँचने के लिए पथ की योजना बनाने की कोशिश करती है, तो यह एक सरल नियम पर निर्भर करती है: "भविकी के मानसिक चित्र की लक्ष्य से दूरी जितनी कम होगी, उतना ही बेहतर होगा।" यह एक शहर में केवल दो बिंदुओं के बीच की 'हवाई दूरी' (crow-flies distance) को देखकर नेविगेट करने जैसा है। यह खुले मैदानों में ठीक काम करता है, लेकिन यदि आपको किसी इमारत के चारों ओर जाना हो या सीढ़ी चढ़नी हो, तो वह सीधी रेखा आपसे झूठ बोलती है।

लेखकों ने देखा कि जबकि रोबोट का मानसिक मानचित्र अगले कदम की भविष्यवाणी करने में अच्छा था, लेकिन यह इस बात को रैंक करने में बहुत अच्छा नहीं था कि भविष्य की संभावनाओं में से कौन सी वास्तव में कितनी प्रगति कर रही है। एक इंसान द्वारा ब्लॉक को धकेलने के वीडियो में, रोबोट अगले फ्रेम की भविष्यवाणी तो कर सकता था, लेकिन उसे स्वाभाविक रूप से यह पता नहीं था कि फ्रेम 10, फ्रेम 5 की तुलना में लक्ष्य के अधिक "करीब" है क्योंकि वे क्रम में हुए थे। इसमें निर्देशित समय (directed time) की कमी थी।

समाधान: अतीत से समय को खोजना (Mining Time from the Past)

इसे ठीक करने के लिए, टीम ने TD-JEPA (टेम्पोरल-डिस्टेंस जॉइंट-एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर) नामक एक नई प्रणाली बनाई। केवल रोबोट को दूरी का अनुमान लगाने देने के बजाय, उन्होंने इसे प्रदर्शन वीडियो से सीधे समय की अवधारणा को "माइन" (खोजने) के लिए प्रशिक्षित किया।

इसे करने का तरीका यहाँ दिया गया है, एक सरल उपमा का उपयोग करते हुए: कल्पना कीजिए कि आप एक कुकिंग शो देख रहे हैं। आपको टाइमर की आवश्यकता नहीं है यह जानने के लिए कि अंडा फोड़ने के बाद फेंटना होता है, और फेंटने के बाद बेक करना होता है। घटनाओं का क्रम ही प्रगति है। TD-JEPA रोबोट के प्रशिक्षण वीडियो को देखता है और कहता है, "यदि इंसान ने चरण A किया, फिर चरण B किया, फिर चरण C किया, तो चरण C निश्चित रूप से लक्ष्य के पथ पर चरण A से कहीं आगे है।"

यह प्रणाली एक विशेष "निर्देशित लागत" (directed cost) सीखती है। एक सामान्य दूरी के विपरीत जो आगे या पीछे जाने पर समान होती है (जैसे आपके घर और पार्क के बीच की दूरी दोनों तरफ से समान है), यह नई लागत दिशा को समझती है। यह जानती है कि "शुरुआत" से "लक्ष्य" तक जाने में प्रयास लगता है, लेकिन "लक्ष्य" से वापस "शुरुआत" तक जाना एक अलग तरह की यात्रा है। वीडियो से इस निर्देशित प्रवाह को सीखकर, रोबोट एक ऐसा मानसिक मानचित्र बनाता है जहाँ लक्ष्य तक की "दूरी" वास्तव में उन चरणों की संख्या को दर्शाती है जो वहाँ पहुँचने के लिए आवश्यक हैं, न कि केवल यह कि चित्र कितने समान दिखते हैं।

इस नए कौशल का उपयोग करने के दो अलग तरीके

सबसे दिलचस्प निष्कर्षों में से एक यह है कि यह नया "समय-जागरूक" कौशल इस बात पर निर्भर करता है कि रोबोट क्या करने की कोशिश कर रहा है। लेखकों ने पाया कि इस नए ज्ञान का उपयोग करने का सबसे अच्छा तरीका कार्य पर निर्भर करता है:

नेविगेशन और रीचिंग के लिए (टोपोलॉजिकल कार्य): जब रोबोट को स्थान के माध्यम से चलना होता है, जैसे भूलभुलैया में नेविगेट करना या हवा में किसी वस्तु तक पहुँचना, तो नया "निर्देशित समय लागत" (directed time cost) एक आदर्श उपकरण है। यह एक कंपास की तरह कार्य करता है जो डेड एंड (बंद रास्तों) को अनदेखा करते हुए सीधे लक्ष्य की ओर संकेत करता है। उनके परीक्षणों में, इस नए कॉस्ट का उपयोग करने से रोबलेट ने "टू-रूम" नेविगेशन कार्य को 100% समय हल किया, जो पुराने सिस्टम से बेहतर था जो केवल 97.4% सफल हुआ था।
कॉन्टैक्ट-रिच मैनिपुलेशन के लिए (ज्यामितीय कार्य): जब रोबोट को वस्तुओं को धकेलना, खिसकाना या स्टैक करना होता है (जैसे "पुश-टी" कार्य जहाँ वह टी-आकार के ब्लॉक को धकेलता है), तो चीजें जटिल हो जाती हैं। यहाँ, संपर्क का सटीक आकार और कोण सामान्य दिशा से अधिक महत्वपूर्ण होता है। इन मामलों में, नया समय-जागरूक सिस्टम तब सबसे अच्छा काम करता है जब यह पुराने "सीधी रेखा" वाली दूरी पद्धति की मदद करता है, न कि उसे बदलता है। यह रोबोट के मानसिक मानचित्र को परिष्कृत करता है ताकि सीधी रेखा की दूरी अधिक सटीक हो सके। "OGB-Cube" कार्य पर, इस संयोजन ने पुराने सिस्टम की तुलना में सफलता दर में 14.2 अंक का सुधार किया।

उन्होंने क्या पाया (और क्या नहीं)

शोधकर्ताओं ने कड़े परीक्षण किए जहाँ उन्होंने केवल नियोजन पद्धति को छोड़कर बाकी सब कुछ समान रखा। उन्होंने पाया कि TD-JEPA ने सभी वातावरणों में पिछले सर्वोत्तम तरीकों (LeWM और RC-aux नामक एक विधि) को लगातार मेल दिया या उनसे बेहतर प्रदर्शन किया।

हालाँकि, उन्होंने एक सीमा भी पाई। जब उन्होंने जटिल "पुश-टी" कार्य के लिए केवल नए समय-आधारित कॉस्ट का उपयोग करने की कोशिश की, तो रोबोट ने पुराने ज्यामितीय दूरी (86% सफलता) की तुलना में वास्तव में खराब प्रदर्शन किया (69% सफलता)। क्यों? क्योंकि ब्लॉक को धकेलने के लिए कोणों और संपर्क बिंदुओं के सूक्ष्म नियंत्रण की आवश्यकता होती है। "समय" के संकेत ने रोबोट को बताया कि वह करीब पहुँच रहा है, लेकिन उसने यह पर्याप्त विवरण नहीं दिया कि ब्लॉक को सही ढंग से कैसे छुआ जाए। रोबोट को सफल होने के लिए ज्यामितीय "आकार" की जानकारी की आवश्यकता थी। यह सिद्ध करता है कि जबकि समय को समझना महत्वपूर्ण है, यह हर स्थिति में भौतिक ज्यामिति को समझने की आवश्यकता को प्रतिस्थापित नहीं करता है।

मुख्य निष्कर्ष

यह शोध पत्र दिखाता है कि आप एक रोबोट को केवल वीडियो देखकर समय के "प्रवाह" को समझना सिखा सकते हैं, जिसके लिए किसी अतिरिक्त पुरस्कार या मानवीय फीडबैक की आवश्यकता नहीं है। प्रदर्शन लॉग में घटनाओं के क्रम को खोजकर, उन्होंने एक ऐसी प्रणाली बनाई जो जानती है कि भविष्य में कौन सा विकल्प वास्तव में लक्ष्य के "करीब" है। यह नया सिस्टम, TD-JEB, उस अंतर को कम करता है जो रोबोट जो सीखता है और वह कैसे योजना बनाता है, उनके बीच होता है। यह सुझाव देता है कि कुछ कार्यों के लिए, रोबोट को एक नदी की तरह समय के प्रवाह का पालन करना चाहिए, जबकि अन्य कार्यों के लिए, उसे उस प्रवाह का उपयोग अपने भौतिक आकार की समझ को तेज करने के लिए करना चाहिए। परिणाम एक स्मार्टर, अधिक अनुकूलन योग्य रोबोट है जो बेहतर योजना बना सकता है, चाहे वह कमरे में नेविगेट कर रहा हो या मेज पर ब्लॉक को धकेल रहा हो।

तकनीकी सारांश: टेम्पोरल-डिस्टेंस जेपा (TD-JEPA)

समस्या विवरण (Problem Statement)

जॉइंट-एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (JEPAs) लेटेंट वर्ल्ड मॉडल्स के लिए प्रभावी बैकबोन के रूप में उभरे हैं, जो पिक्सेल को पुनर्गठित करने के बजाय भविष्य के रिप्रेजेंटेशन (representations) की भविष्यवाणी करने के लिए सीखते हैं। हालांकि, JEPAs के प्रशिक्षण उद्देश्य और मॉडल प्रेडिक्टिव कंट्रोल (MPC) की आवश्यकताओं के बीच एक संरचनात्मक अंतर मौजूद है।

द ट्रेन-प्लान गैप (The Train-Plan Gap): JEPA प्रशिक्षण आमतौर पर शॉर्ट-होरिज़न लेटेंट प्रेडिक्शन को ऑप्टिमाइज़ करता है। इसके विपरीत, प्लानिंग के लिए लक्ष्य प्रगति (goal progress) के आधार पर मल्टी-स्टेप इमेजिन्ड फ्यूचर्स को रैंक करने की आवश्यकता होती है।
ज्यामिति की सीमा (The Geometry Limitation): मौजूदा JEPA प्लानर्स (जैसे LeWM) लेटेंट यूक्लिडियन डिस्टेंस (Euclidean distance) को एक डि फैक्टो प्लानिंग कॉस्ट के रूप में उपयोग करते हैं। हालांकि यह ज्यामिति कुछ संदर्भों में प्रगति के साथ सह-संबंधित हो सकती है, लेकिन यह "लक्ष्य तक पहुँचने के चरणों" (steps-to-goal) या निर्देशित पहुंच (directed reachability) के लिए स्पष्ट रूप से खोजी गई सिग्नल के बजाय रिप्रेजेंटेशन लर्निंग का एक उपोत्पाद (byproduct) है।
चुनौती: रिवॉर्ड-फ्री ऑफलाइन डेमोंस्ट्रेशन लॉग्स से एक टेम्पोरल प्रोग्रेस स्ट्रक्चर कैसे प्राप्त किया जा सकता है जो इस अंतर को कम करे? इसके अलावा, इस खोजी गई संरचना को सीधे एक प्लानिंग कॉस्ट के रूप में कब तैनात किया जाना चाहिए बनाम ज्यामितीय प्लानिंग (geometric planning) के लिए रिप्रेजेंटेशन को आकार देने के लिए इसका उपयोग कब किया जाना चाहिए?

कार्यप्रणाली: TD-JEPA (Methodology: TD-JEPA)

लेखक टेम्पोरल-डिस्टेंस जेपा (TD-JEPA) का प्रस्ताव करते हैं, जो LeWM एनकोडर-प्रेडिक्टर बैकबोन को बनाए रखता है लेकिन इसे एक निर्देशित टेम्पोरल कॉस्ट माइनिंग मैकेनिज्म के साथ संवर्धित करता है। यह विधि तीन मुख्य घटकों से बनी है:

1. बैकबोन और प्रेडिक्शन (Backbone and Prediction)

TD-JEPA मानक LeWM आर्किटेक्चर का उपयोग करता है: एक एक्शन-कंडीशन्ड एनकोडर ( $Enc_\theta$ ) और प्रेडिक्टर ( $Pred_\phi$ ) जो ऑब्जर्वेशन को लेटेंट स्टेट्स में मैप करते हैं और भविष्य के एम्बेडिंग्स का पूर्वानुमान लगाते हैं। यह रिप्रेजेंटेशन कोलैप्स को रोकने के लिए SIGReg रेगुलराइजेशन को सुरक्षित रखता है और मानक वन-स्टेप प्रेडिक्शन लॉस ( $\mathcal{L}_{pred}$ ) का उपयोग करता है।

2. निर्देशित टेम्पोरल कॉस्ट माइनिंग (Directed Temporal Cost Mining)

केवल यूक्लिडियन डिस्टेंस पर निर्भर रहने के बजाय, TD-JEPA एक निर्देशित, नॉन-नेगेटिव एनर्जी फंक्शन $d_\psi(z_s, z_g)$ सीखता है, जो सोर्स लेटेंट $z_s$ से गोल लेटेंट $z_g$ तक पहुँचने की लागत को दर्शाता है।

आर्किटेक्चर (MRN हेड): कॉस्ट हेड एक मेट्रिक-रेसिडुअल नेटवर्क (MRN) पैरामीट्राइजेशन का उपयोग करता है। यह कॉस्ट को एक सिमेट्रिक कॉन्फ़िगरेशन टर्म और एक एसिमेट्रिक रेसिड्यूल में विभाजित करता है:
$d_\psi(z_s, z_g) = \|\phi_{sym}(z_s) - \phi_{sym}(z_g)\|_2 + \max_k \text{ReLU}(\phi_{asym, k}(z_s) - \phi_{asym, k}(z_g))$
यह डिज़ाइन सुनिश्चित करता है कि कॉस्ट नॉन-नेगेटिव है और स्वाभाविक रूप से एसिमेट्रिक ( $d_\psi(z_s, z_g) \neq d_\psi(z_g, z_s)$ ) है, जो लक्ष्य-प्राप्ति की निर्देशित प्रकृति को दर्शाता है।
सुपरविजन (टेम्पोरल लेबल्स): मॉडल को घने रिवार्ड्स (dense rewards) के बिना ऑफलाइन डेमोंस्ट्रेशन लॉग्स पर प्रशिक्षित किया जाता है।
- पॉजिटिव्स (Positives): एक ही ट्रेजेक्टरी पर इंडेक्स $i < j$ के लिए, टेम्पोरल गैप $\tau(i, j) = j - i$ को सब-गोल तक पहुँचने के चरणों के प्रॉक्सी के रूप में उपयोग किया जाता है। मॉडल $d_\psi(z_i, z_j)$ को $\tau(i, j)$ की ओर रिग्रेस करता है।
- नेगेटिव्स (Negatives): क्रॉस-ट्रेजेक्टरी पेयर्स हेयुरिस्टिक नेगेटिव्स के रूप में कार्य करते हैं, जो असंबंधित स्टेट पेयर्स के लिए स्प्यूरियसली कम कॉस्ट को दंडित करते हैं।
रोलआउट कंसिस्टेंसी (Rollout Consistency): एक मल्टी-स्टेप टीचर-फोर्सिंग लॉस ( $\mathcal{L}_{roll}$ ) जोड़ा गया है ताकि सीखे गए कॉस्ट को प्लानर द्वारा उपयोग किए जाने वाले ओपन-लूप होराइजन के साथ संरेखित किया जा सके, जिससे $H$ -स्टेप रोलआउट के दौरान होने वाली त्रुटियों को कम किया जा सके।

3. प्लानिंग और परिनियोजन (Planning and Deployment)

टेस्ट टाइम पर, प्लानर (Cross-Entropy Method या iCEM का उपयोग करके) उन एक्शन सीक्वेंसों की खोज करता है जो $H$ -स्टेप लेटेंट रोलआउट के बाद टर्मिनल एनर्जी को कम करते हैं।

दोहरा परिनियोजन रणनीति (Dual Deployment Strategy): पेपर कार्य संरचना के आधार पर माइंड सिग्नल की दो अलग-अलग भूमिकाओं की पहचान करता है:
1. टोपोलॉजी-डोमिनेटेड टास्क (जैसे नेविगेशन): माइंड की गई निर्देशित कॉस्ट $d_\psi$ को सीधे प्लानिंग ऑब्जेक्टिव के रूप में तैनात किया जाता है।
2. कॉन्टैक्ट-रिच टास्क (जैसे मैनिपुलेशन): उसी टेम्पोरली प्रशिक्षित चेकपॉइंट का उपयोग किया जाता है, लेकिन प्लानर लेटेंट यूक्लिडियन डिस्टेंस ( $\ell_2$ ) पर निर्भर करता है। यहाँ, टेम्पोरल सुपरविजन एक रिप्रेजेंटेशन सिग्नल के रूप में कार्य करता है ताकि लेटेंट स्पेस को आकार दिया जा सके, जिससे ज्यामितीय प्लानिंग की प्रभावकारिता में सुधार होता है।

मुख्य योगदान (Key Contributions)

JEPA ट्रेन-प्लान गैप का निदान: लेखक प्रदर्शित करते हैं कि प्रेडिक्टिव JEPAs लॉग्स से डायनेमिक्स सीखते हैं, लेकिन प्लानिंग अक्सर अनट्रेन्ड एम्बेडिंग ज्योमेट्री पर निर्भर करती है। वे दिखाते हैं कि लॉग्स से निर्देशित टेम्पोरल कॉस्ट को खोजने से यह रैंकिंग मिसमैच काफी कम हो जाता है (Push-T पर यूक्लिडियन डिस्टेंस के लिए स्पीयरमैन $\rho$ 0.65 से बढ़कर माइंडेड कॉस्ट के लिए 0.95 हो जाता है)।
टेम्पोरल-डिस्टेंस माइनिंग फ्रेमवर्क: TD-JEPA निर्देशित टेम्पोरल सुपरविजन, क्रॉस-ट्रेजेक्टरी नेगेटिव्स और होराइजन-मैच्ड रोलआउट कंसिस्टेंसी का उपयोग करके रिवॉर्ड-फ्री लॉग्स से टेम्पोरल प्रोग्रेस स्ट्रक्चर निकालने की एक विधि पेश करता है।
कॉस्ट और परिनियोजन का को-डिज़ाइन: पेपर प्रमाण प्रदान करता है कि प्लानिंग कॉस्ट (माइंडेड टेम्पोरल बनाम ज्यामितीय) का चयन कार्य संरचना के साथ को-डिज़ाइन किया जाना चाहिए। टेम्पोरल कॉस्ट टोपोलॉजिकल नेविगेशन में उत्कृष्ट है, जबकि ज्यामितीय कॉस्ट कॉन्टैक्ट-रिच मैनिपुलेशन के लिए बेहतर बनी रहती है, भले ही अंडरलाइंग रिप्रेजेंटेशन को टेम्पोरल सिग्नल्स के साथ प्रशिक्षित किया गया हो।

प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन चार वातावरणों पर किया गया: Two-Room (नेविगेशन), Reacher (रीचिंग), Push-T (मैनिपुलेशन), और OGB-Cube (कॉन्टैक्ट-रिच मैनिपुलेशन)। निष्पक्ष तुलना सुनिश्चित करने के लिए "लॉक्ड" प्रोटोकॉल (फिक्स्ड सीड्स, चेकपॉइंट्स और एपिसोड मेनिफेस्ट) के तहत मूल्यांकन किया गया।

नेविगेशन और रीचिंग: माइंड की गई कॉस्ट $d_\psi$ $d_{ψ}$ को तैनात करने से सफलता दर में उल्लेखनीय सुधार हुआ।
- Two-Room: 100.0% सफलता प्राप्त की (LeWM के 97.4% के मुकाबले)।
- Reacher: 97.0% सफलता प्राप्त की (LeWM के 96.0% के मुकाबले)।
मैनिपुलेशन: कॉन्टैक्ट-रिच टास्क पर, टेम्पोरल ट्रेनिंग ने लेटेंट रिप्रेजेंटेशन में सुधार किया, जिससे ज्यामितीय प्लानिंग को लाभ हुआ।
- OGB-Cube: $\ell_2$ प्लानिंग के साथ टेम्पोरली प्रशिक्षित चेकपॉइंट का उपयोग करने से LeWM की तुलना में सफलता में 14.2 प्रतिशत अंक की वृद्धि हुई (82.2% बनाम 68.0%)।
- Push-T: 83.6% (LeWM) से सुधरकर 86.0% हुआ।
एब्लेशन स्टडीज (Ablation Studies): निर्देशित रेसिड्यूल (सिमेट्रिक हेड), क्रॉस-ट्रेजेक्टरी नेगेटिव्स, या रोलआउट कंसिस्टेंसी को हटाने से प्रदर्शन में गिरावट आई, जो प्रत्येक घटक की आवश्यकता की पुष्टि करता है।
फेलियर एनालिसिस (Failure Analysis): Push-T पर, शुद्ध टेम्पोरल कॉस्ट ( $d_\psi$ ) ज्यामितीय कॉस्ट ( $\ell_2$ ) से कम प्रदर्शन कर गया क्योंकि विफलताएं मुख्य रूप से पोस्ट-कॉन्टैक्ट एलाइनमेंट के दौरान हुईं, जहाँ स्थानीय ज्यामिति टेम्पोरल प्रोग्रेस रैंकिंग की तुलना में अधिक महत्वपूर्ण है।

महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि TD-JEPA ऑफलाइन लॉग्स से टेम्पोरल प्रोग्रेस स्ट्रक्चर खोजकर और प्लान-टाइम परिनियोजन के साथ कॉस्ट फॉर्म को को-डिज़ाइन करके JEPA वर्ल्ड-मॉडल प्लानर्स के लिए ट्रेन-प्लान गैप को कम करता है।

संयमित दावे: लेखक यह दावा नहीं करते हैं कि टेम्पोरल कॉस्ट सार्वभौमिक रूप से ज्यामितीय कॉस्ट की जगह ले लेती है। इसके बजाय, वे एक कंडीशनल परिनियोजन रणनीति का तर्क देते हैं: जब प्रगति टोपोलॉजिकल हो तो माइंड की गई निर्देशित कॉस्ट का उपयोग करें, और जब कॉन्टैक्ट ज्योमेट्री हावी हो तो इसे ज्यामितीय प्लानिंग के लिए रिप्रेजेंटेशन सिग्नल के रूप में उपयोग करें।
अनुभवजन्य सत्यापन: लॉक मूल्यांकन के तहत, TD-JEPA हर वातावरण में LeWM और RC-aux दोनों को मैच या उससे बेहतर प्रदर्शन करता है, जो यह दर्शाता है कि रिवॉर्ड मॉडल या ऑनलाइन इंटरेक्शन की आवश्यकता के बिना रिवॉर्ड-फ्री टेम्पोरल माइनिंग लेटेंट MPC को बेहतर बनाने का एक व्यवहार्य मार्ग है।

कोड दिए गए GitHub रिपॉजिटरी पर उपलब्ध है।