محققان در مقالهای تازه، پل نظری عمیقی بین معماریهای پیشبینیگر مدلهای جهان (JEPA) و تئوری «استنتاج فعال» برقرار کردهاند. این پژوهش نشان میدهد که انتخاب «متغیرهای تنظیمکننده» (Regularizers) در آموزش این مدلها، صرفاً یک ترفند تجربی نیست، بلکه مستقیماً با اصول بنیادی عملکرد مغز و مفهوم «انرژی آزاد» (Free Energy) در ارتباط است.
با تحلیل مدلهایی مثل VICReg و روش جدید SIGReg، این مقاله اثبات میکند که چگونه میتوان اهداف بهینهسازی را به شکلی تنظیم کرد که مدلها نه تنها در پیشبینی، بلکه در تصمیمگیریهای هوشمندانه نیز به کارایی بالاتری برسند. گامی مهم برای درک بهتر اینکه چرا مدلهای فعلی JEPA تا این حد قدرتمند عمل میکنند! 🚀
منبع: arXiv AI