Scale Buys Interpolation, Structure Buys a Horizon: Certified Predictability for Equivariant World Models

📄 arXiv: 2606.13092 📥 PDF

作者: Hongbo Wang

分类: cs.LG, cs.RO, math.DS

发布日期: 2026-06-12

💡 一句话要点

提出可验证的预测地平线以解决世界模型的信任问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 等变模型 Lyapunov谱 预测地平线 世界模型 机器人控制 动态系统 多步预测 可靠性评估

📋 核心要点

  1. 现有的世界模型在特定预测的可信度和预测时间范围上存在不足，平均误差无法提供足够的信息。
  2. 论文提出了一种基于等变性和Lyapunov谱的可计算证书，能够为多步预测提供可靠的地平线评估。
  3. 在40维Lorenz-96实验中，$ ext{Z}_N$-等变网络成功恢复了完整的Lyapunov谱，且在预算限制下表现优于其他基线模型。

📝 摘要（中文）

本文提出了一种针对等变潜在世界模型的可计算的多步预测地平线证书，解决了现有模型在特定预测可信度上的不足。通过证明$T$步展开误差在每个对称轨道上是常数，并通过预测器的Lyapunov谱进行分层，作者展示了如何在不同的规模下保持预测的可靠性。实验结果表明，只有$ ext{Z}_N$-等变网络能够恢复完整的Lyapunov谱，且该证书在固定感知预算下表现优越，能够在没有校准数据的情况下满足预算要求。

🔬 方法详解

问题定义：本文旨在解决现有世界模型在特定预测可信度和预测时间范围上的不足，现有方法无法有效评估预测的可靠性。

核心思路：通过引入可计算的多步预测地平线证书，利用等变性和Lyapunov谱来评估预测的可靠性，确保在不同规模下的预测一致性。

技术框架：整体架构包括等变潜在世界模型的构建、Lyapunov谱的计算以及多步预测证书的生成，主要模块包括模型训练、证书计算和性能评估。

关键创新：提出的证书能够在每个对称轨道上保持常数误差，且该特性是等变性的独特标志，非等变模型无法实现。

关键设计：在模型设计中，采用了特定的损失函数和网络结构，以确保Lyapunov谱的准确计算，并通过实验验证了该设计在不同预算下的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，$ ext{Z}_N$-等变网络在40维Lorenz-96任务中成功恢复了完整的Lyapunov谱，$R^2$值达到0.98，而密集和递归基线模型未能实现这一点。此外，在固定感知预算下，提出的证书能够在没有校准数据的情况下满足预算要求，显示出显著的性能优势。

🎯 应用场景

该研究在机器人控制、预测建模和动态系统分析等领域具有广泛的应用潜力。通过提供可验证的预测地平线，能够提升模型在实际应用中的可靠性和安全性，尤其是在需要长期预测的复杂环境中。未来，该方法可能会影响自动驾驶、智能制造等领域的决策支持系统。

📄 摘要（原文）

Scale buys interpolation; structure buys a certified horizon. A world model's average error says nothing about whether a particular prediction can be trusted, or for how long. For equivariant latent world models we give a computable, multi-step certificate of the predictable horizon: $T$-step rollout error is provably constant over each symmetry orbit (Theorem A) and stratified channel-by-channel by the predictor's Lyapunov spectrum, $T_j(\epsilon)\sim\log(1/\epsilon)/\lambda_j$. The horizon is two-sided -- a matching lower bound makes approximate equivariance provably horizon-limited -- and the certificate is exclusive to structure: orbit-constant error characterizes equivariance, so no non-equivariant model has it at any scale. Empirically, on 40-D Lorenz-96 only a $\mathbb{Z}_N$-equivariant network recovers the full Lyapunov spectrum ($R^2{=}0.98$); dense and recurrent baselines fail.Because the spectrum is faithful, the certificate acts, a priori: under a fixed sensing budget a $c\times$-inflated certificate provably needs $c\times$ the budget, and the equivariant certificate meets a budget its inflated dense counterpart cannot -- with zero calibration data. The same read-out, unchanged, audits public pretrained world models training-free: TD-MPC2 checkpoints land on the certificate's own scope taxonomy -- calibrated where strongly expansive (ratio 0.94-1.02), optimistic where weakly expansive, correctly abstaining where contracting -- a map a deployed monitor replicates cell-by-cell, out-of-sample. Across the official 1M-317M multitask ladder, calibration does not improve with parameters. On V-JEPA 2-AC (1B, real robot data) the measured cross-check correctly overrides an over-promising tangent spectrum -- the cross-validated audit, not the raw number, is the deployable object. Scale buys interpolation, not a calibrated horizon.