DSReg：无需重构的世界潜变量分离

恢复世界的个体潜在变量的方法，从非线性 ICA 到字典学习和因果表示学习，通过重建、辅助监督或分布不对称（例如非高斯性）将潜在变量锚定到观察结果。没有这些锚点的方法，包括联合嵌入预测架构（JEPA），只能识别线性变换的潜在状态，因此各个潜在状态仍然是混合的。我们缩小了这一差距：可以证明，无需重建、无需解码器、无需标签即可恢复个体世界潜伏。关键条件是结构多样性：不同的潜伏在观察上留下了不同的依赖足迹，就像没有两片雪花是相似的一样。基于 LeJEPA 提供的线性可识别性，我们证明在结构多样性下，DSReg（依赖稀疏正则化）可以恢复个体世界潜伏直至有符号排列，而无需重建或解码器。它将事后应用于任何线性识别的表示，重用经过训练的检查点，不会造成联合损失 训练，并建立了第一个完全可识别的 JEPA，可以恢复每个潜在世界。此外，作为依赖足迹的条件，结构多样性严格弱于先前可识别潜变量模型的所有结构条件。在合成机制、世界模型探测、学习视觉编码器和外部渲染器中，DSReg 保留了密集预测，同时改善了个体潜在恢复和下游规模使用。