世界模型

Object-Centric World Models Meet Monte Carlo Tree Search

以对象为中心的世界模型与蒙特卡洛树搜索

Rodion Vakhitov, Leonid Ugadiarov, Aleksandr Panov

机构 * MIPT Moscow（莫斯科米斯托夫物理技术学院） ； AIRI（人工智能研究所） ； FRC CSC RAS（俄罗斯科学院计算机科学与应用数学研究所） 纠错

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 本文提出ObjectZero算法，通过对象中心表示和图神经网络，结合蒙特卡洛树搜索实现更有效的环境建模与强化学习。

Explicit World Models for Reliable Human-Robot Collaboration

显式世界模型以实现可靠的人机协作

Kenneth Kwok, Basura Fernando, Qianli Xu, Vigneshwaran Subbaraju, Dongkyu Choi, Boon Kiat Quek

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 本文提出通过构建显式世界模型来实现可靠的显式人机协作，强调动态模糊的人机交互需求。

Comments Accepted to AAAI-26 Bridge Program B10: Making Embodied AI Reliable with Testing and Formal Verification

Explaining Machine Learning Predictive Models through Conditional Expectation Methods

通过条件期望方法解释机器学习预测模型

Silvia Ruiz-España, Laura Arnal, François Signol, Juan-Carlos Perez-Cortes, Joaquim Arlandis

机构 * ITI, Universitat Politècnica de València（ITI，瓦伦西亚理工大学） 纠错

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

AI总结 本文提出MUCE方法，通过多变量条件期望捕捉预测变化，结合稳定性与不确定性指标，提升模型局部可解释性与可信度。

Comments 24 pages, 15 figures. Silvia Ruiz-España and Laura Arnal contributed equally to this work

What-If Analysis of Large Language Models: Explore the Game World Using Proactive Thinking

大型语言模型的What-If分析：通过前瞻性思维探索游戏世界

Yuan Sui, Yanming Zhang, Yi Liao, Yu Gu, Guohua Tang, Zhongqian Sun, Wei Yang, Bryan Hooi

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

AI总结 WiA-LLM通过前瞻性思维提升大型语言模型在复杂游戏环境中的决策能力，实现74.2%的预测准确率和更接近专家玩家的策略行为。

AIS-CycleGen: A CycleGAN-Based Framework for High-Fidelity Synthetic AIS Data Generation and Augmentation

AIS-CycleGen: 一种基于CycleGAN的高保真AIS数据生成与增强框架

SM Ashfaq uz Zaman, Faizan Qamar, Masnizah Mohd, Nur Hanis Sabrina Suhaimi, Amith Khandakar

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

AI总结 AIS-CycleGen基于CycleGAN提出了一种生成高保真AIS数据的增强框架，通过无配对领域翻译技术提升数据多样性与真实性，有效改善海洋领域模型性能。

Comments 25 pages, 16 figures

Feature-Aware Task-to-Core Allocation in Embedded Multi-core Platforms via Statistical Learning

基于统计学习的特征感知任务到核心分配在嵌入式多核平台中

Mohammad Pivezhandi, Abusayeed Saifullah, Prashant Modekurthy

机构 * Department of Computer Science Wayne State University（计算机科学系韦恩州立大学） ； Department of Computer Science University of Nevada, Las Vegas（计算机科学系内华达大学拉斯维加斯分校） ； Department of Computer Science University of Texas at Dallas（计算机科学系德克萨斯大学达拉斯分校） 纠错

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

AI总结 本文提出基于统计学习的特征感知任务到核心分配方法，通过优化核心分配降低能耗并减少温度，提升嵌入式多核平台的性能与能效。

Comments 15 pages, 9 figures. Published in IEEE RTCSA 2025