世界模型

A Mechanistic View on Video Generation as World Models: State and Dynamics

视频生成作为世界模型的机制视角：状态与动态

Luozhou Wang, Zhifei Chen, Yihua Du, Dongyu Yan, Wenhang Ge, Guibao Shen, Xinli Xu, Leyi Wu, Man Chen, Tianshuo Xu, Peiran Ren, Xin Tao, Pengfei Wan, Ying-Cong Chen

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Tongji University（同济大学） ； Kuaishou Technology（快手科技） 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 本文提出基于状态构建和动态建模的视频生成新分类法，旨在提升视频生成模型的物理持续性和因果推理能力。

AI and World Models

人工智能与世界模型

Robert Worden

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 本文探讨了人工智能系统中世界模型的必要性，强调其在预测和控制人工智能行为后果中的关键作用，以及构建可靠世界模型的挑战。

Comments 15 pages, 2 figures

MetaWorld: Skill Transfer and Composition in a Hierarchical World Model for Grounding High-Level Instructions

MetaWorld: 一个用于地面指令基础的分层世界模型中的技能迁移与组合

Yutong Shen, Hangxu Liu, Kailin Pei, Ruizhe Xia, Tongtong Feng

机构 * Beijing University of Technology（北京理工大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world model(title,abstract)；latent dynamics(abstract)；model-based RL(abstract)

AI总结 MetaWorld通过整合语义规划与物理控制，利用专家策略迁移提升人形机器人在定位-操作任务中的性能。

Comments 8 pages, 4 figures, Submitted to ICLR 2026 World Model Workshop

CASSANDRA: Programmatic and Probabilistic Learning and Inference for Stochastic World Modeling

CASSANDRA：面向随机世界建模的程序化与概率学习与推理

Panagiotis Lymperopoulos, Abhiramon Rajasekharan, Ian Berlot-Attwell, Stéphane Aroca-Ouellette, Kaheer Suleman

机构 * Skyfall AI ； Tufts University（塔夫茨大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Toronto（多伦多大学） ； Vector Instiute（Vector研究所） 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 CASSANDRA通过结合LLM的知识先验和概率图模型结构学习，提升随机世界建模中的转移预测与规划能力。

Comments 28 pages, 2 figures

Beyond Static Datasets: Robust Offline Policy Optimization via Vetted Synthetic Transitions

超越静态数据集：通过验证的合成过渡实现鲁棒的离线策略优化

Pedram Agand, Mo Chen

机构 * Department of Computing Science, Simon Fraser University（计算科学系，西蒙·弗雷泽大学） 纠错

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

AI总结 本文提出MoReBRAC框架，通过不确定性感知的潜在合成方法，解决离线强化学习中静态数据与策略分布偏移的问题，并在D4RL基准中实现性能提升。

Comments 11 pages, 2 figures, 2 tables

Uncertainty Quantification and Propagation in Surrogate-based Bayesian Inference

代理模型中不确定性量化与传播的 Bayesian 推断

Philipp Reiser, Javier Enrique Aguilar, Anneli Guthke, Paul-Christian Bürkner

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

AI总结 本文提出了一种可扩展的贝叶斯框架，用于代理建模中的不确定性量化与传播，通过三种方法提升对现实世界建模任务中参数估计的可靠性。

Journal ref Statistics and Computing 35(3):66 (2025)

Toward Scalable Early Cancer Detection: Evaluating EHR-Based Predictive Models Against Traditional Screening Criteria

迈向可扩展的早期癌症检测：评估基于电子健康记录的预测模型与传统筛查标准的对比

Jiheum Park, Chao Pang, Tristan Y. Lee, Jeong Yun Yang, Jacob Berkowitz, Alexander Z. Wei, Nicholas Tatonetti

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

AI总结 本文评估了基于EHR的预测模型在早期癌症检测中的有效性，发现其在识别高危个体方面优于传统风险因素。

On Procrustes Contamination in Machine Learning Applications of Geometric Morphometrics

关于几何形态测量在机器学习应用中的Procrustes污染

Lloyd Austin Courtenay

机构 * PACEA UMR5199, CNRS Université de Bordeaux（PACEA UMR5199，法国国家科学研究中心波尔多大学） ； Department d’Història i Història de l’Art Universitat Rovira i Virgili（历史与艺术史系罗维拉-维吉莉大学） 纠错

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

AI总结 本文研究了几何形态测量在机器学习应用中因Procrustes分析导致的污染问题，提出了一种新的重新对齐方法以消除样本间依赖，并揭示了样本量与landmark空间之间的关系。

Comments 17 pages, 5 figures, Preprint pending review

HyCARD-Net: A Synergistic Hybrid Intelligence Framework for Cardiovascular Disease Diagnosis

HyCARD-Net: 一种用于心血管疾病诊断的协同混合智能框架

Rajan Das Gupta, Xiaobin Wu, Xun Liu, Jiaqi He

机构 * Faculty of Information Science and Technology（信息科学与技术学院） ； American International University–Bangladesh（美国国际大学-孟加拉国） ； School of Automotive Engineering（汽车工程学院） ； Chengdu Industry and Trade College（成都行业贸易学院） ； Faculty of Education（教育学院） ； Shinawatra University（辛纳瓦特大学） ； Tilburg School of Social and Behavioral Sciences（蒂尔堡社会与行为科学学院） ； Tilburg University（蒂尔堡大学） 纠错

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 HyCARD-Net通过结合深度学习与传统机器学习算法，提出一种混合智能框架，有效提升心血管疾病诊断的准确率和效率，支持联合国可持续发展目标3。

Comments Accepted and published in the 2025 4th International Conference on Image Processing, Computer Vision and Machine Learning (ICICML)

TC-IDM: Grounding Video Generation for Executable Zero-shot Robot Motion

TC-IDM：为可执行零样本机器人运动实现视频生成

Weishi Mi, Yong Bao, Xiaowei Chi, Xiaozhu Ju, Zhiyuan Qin, Kuangzhi Ge, Kai Tang, Peidong Jia, Shanghang Zhang, Jian Tang

机构 * Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； State Key Laboratory of Multimedia Information Processing（多媒体信息处理国家重点实验室） ； School of Computer Science, Peking University（北京大学计算机科学学院） 纠错

专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)

AI总结 TC-IDM通过工具中心逆动力学模型实现视频生成，提升机器人零样本任务的执行能力与泛化性能。

Breaking Task Impasses Quickly: Adaptive Neuro-Symbolic Learning for Open-World Robotics

快速突破任务瓶颈：面向开放世界机器人的自适应神经符号学习

Pierrick Lorang

机构 * Human-Robot Interaction Lab, Tufts University（塔夫茨大学人机交互实验室） 纠错

专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.RO

AI总结 本文提出了一种自适应神经符号学习框架，通过整合符号学习与强化学习，提升机器人在开放世界中的快速适应能力与鲁棒性。

Comments IEEE ICRA 2025 Doctoral Consortium

Diffusion Model-based Reinforcement Learning for Version Age of Information Scheduling: Average and Tail-Risk-Sensitive Control

基于扩散模型的强化学习用于版本信息年龄调度：平均与尾风险敏感控制

Haoyuan Pan, Sizhao Chen, Zhaorui Wang, Tse-Tin Chan

机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； School of Computing and Information Technology, Great Bay University（广东大湾区大学计算机与信息科技学院） ； Department of Mathematics and Information Technology, The Education University of Hong Kong（香港教育大学数学与信息技术系） 纠错

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

AI总结 本文提出基于扩散模型的强化学习方法，用于多用户无线系统中平均和尾风险敏感的版本信息年龄调度，通过分布性critic和扩散-based actor实现稳健的尾风险优化。

Comments 16 pages, 11 figures