世界模型

Beyond Generative AI: World Models for Clinical Prediction, Counterfactuals, and Planning

超越生成式AI：用于临床预测、反事实和规划的世界模型

Mohammad Areeb Qazi, Maryam Nadeem, Mohammad Yaqub

机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（莫莫德·本·扎伊德人工智能大学） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world models(title,abstract)；world model(title,abstract)；world models(title,abstract)

AI总结 本文探讨了世界模型在医疗领域中的应用，旨在通过预测动态、反事实评估和规划提升临床决策的可靠性。

Comments 2 Figures, 1 Table

LiSTAR: Ray-Centric World Models for 4D LiDAR Sequences in Autonomous Driving

LiSTAR: 基于4D激光雷达序列的射线中心世界模型用于自动驾驶

Pei Liu, Songtao Wang, Lang Zhang, Xingyue Peng, Yuandong Lyu, Jiaxin Deng, Songxin Lu, Weiliang Ma, Xueyang Zhang, Yifei Zhan, XianPeng Lang, Jun Ma

专题命中 通用世界模型 ：world model(title,abstract)；world models(title)；world model(title,abstract)；world models(title)

AI总结 LiSTAR通过射线中心变换器和混合柱形球形表示，实现高保真4D激光雷达数据生成，提升自动驾驶模拟的可控性和真实性。

PoE-World: Compositional World Modeling with Products of Programmatic Experts

PoE-World: 通过程序专家的乘积进行组合世界建模

Wasu Top Piriyakulkij, Yichao Liang, Hao Tang, Adrian Weller, Marta Kryven, Kevin Ellis

机构 * Cornell University（康奈尔大学） ； University of Cambridge（剑桥大学） ； The Alan Turing Institute（艾伦·图灵研究所） ； Dalhousie University（达尔豪斯大学） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world model(title,abstract)；world models(abstract)；world models(abstract)

AI总结 PoE-World通过程序专家的乘积有效建模复杂非网格世界领域，利用LLMs学习世界模型并实现高效泛化。

Solving Spatial Supersensing Without Spatial Supersensing

无需空间超感知的解决方法

Vishaal Udandarao, Shyamgopal Karthik, Surabhi S. Nath, Andreas Hochlehnert, Matthias Bethge, Ameya Prabhu

机构 * Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学） ； Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物 cybernetics 研究所） 纠错

专题命中 通用世界模型 ：world model(abstract)；world models(abstract)；video world model(abstract)；world model(abstract)

AI总结 Cambrian-S通过定制推理策略在无需空间超感知的情况下解决视频世界模型基准。

Comments Tech Report

From generative AI to the brain: five takeaways

从生成式AI到大脑：五点启示

Claudius Gros

专题命中 通用世界模型 ：world model(abstract)；world model(abstract)；分类 cs.AI

AI总结 本文探讨生成式AI与大脑之间的潜在联系，通过五个例子展示神经科学可能从机器学习研究中获得的启示。

Comments Frontiers in Computational Neuroscience, in press

TRADES: Generating Realistic Market Simulations with Diffusion Models

TRADES: 使用扩散模型生成逼真市场模拟

Leonardo Berti, Bardh Prenkaj, Paola Velardi

机构 * Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；simulation model(abstract)

AI总结 TRADES通过基于变换器的扩散模型生成逼真市场模拟，提升合成数据在金融任务中的应用价值。

Comments 8 pages

Journal ref ECAI 2025. Volume 413: Pages 3703 - 3710

Flow and Depth Assisted Video Prediction with Latent Transformer

基于流和深度的视频预测与潜在变换器

Eliyas Suleyman, Paul Henderson, Eksan Firkat, Nicolas Pugeault

专题命中 视频世界模型 ：world model(abstract)；world model(abstract)；分类 cs.CV

AI总结 本文提出基于流和深度的视频预测方法，通过整合点流和深度信息提升遮挡场景下的预测性能和背景运动准确性。

Generative Modeling of Clinical Time Series via Latent Stochastic Differential Equations

通过潜在随机微分方程进行临床时间序列生成建模

Muhammad Aslanimoghanloo, Ahmed ElGazzar, Marcel van Gerven

机构 * Department of Machine Learning and Neural Computing, Donders Institute for Brain, Cognition and Behaviour, Radboud University（机器学习与神经计算系，多纳德斯脑认知行为研究所，拉德堡德大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于潜在神经随机微分方程的生成建模框架，用于处理临床时间序列数据中的不规则采样和不确定性，通过模拟和真实数据验证，实现了比传统方法更准确的预测和不确定性估计。

Few Shot System Identification for Reinforcement Learning

少样本系统识别用于强化学习

Karim Farid, Nourhan Sakr

机构 * Computer Science and Engineering Department（计算机科学与工程系） 纠错

专题命中 模型式强化学习 ：model-based RL(abstract)；分类 cs.RO

AI总结 本文提出了一种框架，通过学习动态条件于观测数据的概率分布，以提高强化学习中系统识别的鲁棒性和样本效率。