Dual-Channel Grounded World Modeling (DCGWM): Structural Prevention of Objective Interference Collapse via Heterogeneous External Grounding with Inward-Only Gradient Flow

📄 arXiv: 2606.18688v1 📥 PDF

作者: Akshay Hazare

分类: cs.LG, cs.AI

发布日期: 2026-06-17

备注: Position paper. Experimental validation in progress

💡 一句话要点

提出双通道基础世界建模以解决目标干扰崩溃问题

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

关键词: 世界建模 目标干扰崩溃 双通道模型 潜在空间划分 多智能体系统

📋 核心要点

  1. 现有JEPA方法在处理物理和社会行为动态信号时，面临目标干扰崩溃的问题，导致模型性能下降。
  2. 提出双通道基础世界建模（DCGWM），通过划分潜在空间和单向梯度流来结构性地防止目标干扰崩溃。
  3. 实验验证正在进行中，未来将报告具体结果，展示该方法的有效性和优势。

📝 摘要（中文）

联合嵌入预测架构（JEPA）是世界模型表示学习的领先方法。本文识别了JEPA基础世界模型在面对物理动态和社会行为动态两种外部信号时的失败模式，称之为目标干扰崩溃（OIC）。我们提出双通道基础世界建模（DCGWM），通过划分潜在空间和单向梯度流结构性地防止OIC。该方法包括物理基础通道和社会行为基础通道，分别更新物理和行为潜在空间，并通过任务级耦合模块连接子空间，避免交叉梯度影响。本文建立了问题的形式化和架构，实验验证正在进行中。

🔬 方法详解

问题定义：本文旨在解决JEPA基础世界模型在处理物理和社会行为动态信号时出现的目标干扰崩溃（OIC）问题。现有方法在共享潜在空间中联合学习，导致主导通道系统性地崩溃从属通道的表示子空间，无法仅通过损失加权解决。

核心思路：DCGWM通过划分潜在空间（物理子空间Z_p和行为子空间Z_b）并采用单向梯度流设计，结构性地防止OIC。物理基础通道仅通过对物理测量的对齐更新Z_p，而社会行为基础通道则通过对多智能体仿真轨迹的对齐更新Z_b。

技术框架：DCGWM的整体架构包括物理基础通道、社会行为基础通道、任务级耦合模块和生成渲染层。耦合模块在任务级别连接两个子空间，而不引入交叉梯度。

关键创新：最重要的技术创新在于通过划分潜在空间和单向梯度流，消除了与OIC相关的梯度干扰路径。每个基础子空间从其对齐目标中继承了防崩溃的保证。

关键设计：设计了不对称基础遵循损失函数，针对物理违规采用硬铰链，针对行为偏差采用软KL散度。此外，生成渲染层在架构上与潜在世界模型隔离。该设计确保了生成目标几何的必要性。

📊 实验亮点

尽管实验验证尚在进行中，DCGWM的设计理念和理论结果表明，划分潜在空间和单向梯度流的策略能够有效防止目标干扰崩溃，提升模型的稳定性和表现。未来的实验结果将进一步验证这些理论假设。

🎯 应用场景

该研究的潜在应用领域包括机器人控制、智能代理系统和多智能体协作等。通过提高模型在复杂环境中的表现，DCGWM有望在自动驾驶、智能家居和虚拟现实等实际场景中发挥重要作用，推动相关技术的发展与应用。

📄 摘要（原文）

Joint Embedding Predictive Architectures (JEPAs) are a leading approach to world model representation learning. We identify a failure mode in JEPA-based world models grounded against two qualitatively distinct external signals: physical dynamics (sparse, high-magnitude, constraint-satisfying gradient corrections) and social-behavioral dynamics (diffuse, distribution-matching corrections). We term this Objective Interference Collapse (OIC): we argue that joint learning in a shared latent space causes the dominant channel to systematically collapse the subordinate channel's representational subspace, in a manner not resolvable by loss weighting alone. We propose Dual-Channel Grounded World Modeling (DCGWM), designed to structurally prevent OIC through a partitioned latent space (physical subspace Z_p, behavioral subspace Z_b) with inward-only gradient flow. A Physical Grounding Channel updates only Z_p via VICReg-style alignment to physical measurements; a Social-Behavioral Grounding Channel updates only Z_b via alignment to trajectories from an emergent multi-agent simulation. An Inter-Channel Interface Module couples the subspaces at the task level without cross-subspace gradients. An Asymmetric Grounding Adherence Loss penalizes rollout drift with a hard hinge for physical violations and a soft KL for behavioral divergence. A Generative Rendering Layer is architecturally isolated from the latent world model. We present three theoretical results: the partition removes the gradient-interference pathway implicated in OIC; each grounded subspace inherits anti-collapse guarantees from its alignment objective; and generative isolation is necessary under a stated assumption on the generative objective's geometry. This manuscript establishes the problem formulation and architecture; experimental validation is ongoing and will be reported in a future revision.