본 논문은 자기 지도 학습 모델인 Joint-Embedding Predictive Architectures (JEPA)가 시간 순차 데이터를 기반 동적 체계에 따라 클러스터링하는 현상에 대한 새로운 이론적 설명을 제시한다. JEPA의 예측 목표가 시스템의 Koopman 연산자 불변 부분 공간을 학습하도록 유도한다는 가설을 세우고, 이상화된 JEPA 손실이 인코더가 Koopman 고유 함수인 시스템의 체계 지표 함수를 나타낼 때 최소화됨을 증명한다. 선형 예측기를 거의 항등 연산자로 제한하는 것이 인코더가 이러한 불변량을 학습하도록 하는 핵심적인 귀납적 편향임을 밝히고, 예측기가 표현 분리에서 수행하는 역할을 설명한다.
