世界模型

SOMBRL: Scalable and Optimistic Model-Based RL

SOMBRL: 可扩展且乐观的基于模型的强化学习

Bhavya Sukhija, Lenart Treven, Carmelo Sferrazza, Florian Dörfler, Pieter Abbeel, Andreas Krause

专题命中 模型式强化学习 ：model-based RL(title)；model-based reinforcement learning(abstract)；分类 cs.LG；dynamics model(abstract)

AI总结 SOMBRL通过结合乐观性原则和不确定性建模，实现了在非线性动力学中具有亚线性遗憾的可扩展基于模型的强化学习方法，并在多个环境中展示了优越的探索性能。

Sparse-to-Field Reconstruction via Stochastic Neural Dynamic Mode Decomposition

通过随机神经动态模式分解实现稀疏到场的重建

Yujin Kim, Sarah Dean

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 本文提出随机NODE-DMD方法，通过建模连续时间非线性动态实现稀疏到场的重建，并量化预测不确定性，提升科学机器学习中动态系统建模的准确性与可靠性。