当 Graph-JEPA 学到错误信息：诊断与修复类别条件坍塌

英文标题：When Graph-JEPA Learns the Wrong Thing: Diagnosing and Repairing Category-Conditional Collapse

论文指出，联合嵌入预测架构（JEPA）通常通过线性探测和有效秩来评估表示质量，但这两项指标可能同时呈现健康状态。作者报告了一种失效案例：模型表征不包含任何可用的实例级信息。论文提出了针对这一问题的修复方法，并进一步讨论了另一种相关失效现象。该研究提示开发者，不能仅依赖线性探测和有效秩判断 Graph-JEPA 等表征学习模型的实际可用性。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB