Newest papers

LocaLeJEPA: Maximum Entropy Representations under Geometric Priors

Kartik Tandon, Alessio Borgi, Pavel Snopov, Inés García-Redondo, Davide D'Ascenzo, Sebastiano Cultrera di Montesano, Fabrizio Silvestri, Pietro Liò · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28458 · open-access PDF

Hindi

Joint-Embedding Predictive Architectures (JEPA) स्व-उत्चालित सीखने के लिए एक आकर्षक दृष्टिकोण प्रदान करते हैं, लेकिन आमतौर पर प्रतिनिधित्व टूटने के लिए प्रवृत्त होते हैं। LeJEPA एक सैद्धांतिक रूप से जमीनी वितरण मेलिंग उद्देश्य पेश करके यह हल करता है जो एक इज़ोट्रोपिक गॉसियन की ओर embedding को ड्राइव करता है। हालांकि, यह दृष्टिकोण मौलिक रूप से यूक्लिडियन धारणाओं से जुड़ा हुआ है, और इसका वैश्विक लक्ष्य डोमेन-विशिष्ट भौगोलिक पूर्वाग्रहों को प्रतिबिंबित नहीं करता है, जैसे गैर-य्यूक्लिडियन embedding भौगोलिकताओं का उपयोग, उदाहरण के लिए, बराबर सीएनएन या हा

Machine translation (Meta M2M100); the English original follows.

Abstract

Joint-Embedding Predictive Architectures (JEPA) offer an appealing approach to self-supervised learning, but are typically prone to representation collapse. LeJEPA resolves this by introducing a theoretically grounded distribution-matching objective that drives the embedding towards an isotropic Gaussian. However, this approach is fundamentally tied to Euclidean assumptions, and its global target does not reflect domain-specific geometric priors, such as the use of non-Euclidean embedding geometries, e.g., equivariant CNNs or hyperbolic ViTs. We thus introduce LocaLeJEPA, a framework motivated

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange