世界模型

Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part I

基于成本驱动的线性二次高斯控制的状态表示学习：第一部分

Yi Tian, Kaiqing Zhang, Russ Tedrake, Suvrit Sra

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Technical University Munich（慕尼黑技术大学） 纠错

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

AI总结 本文提出了一种基于成本驱动的方法，用于学习状态表示以解决线性二次高斯控制问题，并建立了有限样本下的保证。

Comments 51 pages; preliminary version appeared in L4DC 2023; this is the extended journal version, with an end-to-end guarantee added

NN-OpInf: an operator inference approach using structure-preserving composable neural networks

NN-OpInf: 一种利用结构保持可组合神经网络的运算符推断方法

Eric Parish, Anthony Gruber, Patrick Blonigan, Irina Tezaur

机构 * Sandia National Laboratories（桑地亚国家实验室） 纠错

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

AI总结 NN-OpInf通过结构保持可组合神经网络，提供一种更准确且鲁棒的非侵入式降阶建模方法，适用于非多项式非线性动态系统。

Integrating Lagrangian Neural Networks into the Dyna Framework for Reinforcement Learning

将拉格朗日神经网络整合到Dyna框架中用于强化学习

Shreya Das, Kundan Kumar, Muhammad Iqbal, Outi Savolainen, Dominik Baumann, Laura Ruotsalainen, Simo Särkkä

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

AI总结 本文提出将拉格朗日神经网络整合到Dyna框架中，以提升基于模型的强化学习中动力学建模的准确性与效率。

Comments 5 pages, 3 figures

Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II

基于成本驱动的线性二次高斯控制表示学习：第二部分

Yi Tian, Kaiqing Zhang, Russ Tedrake, Suvrit Sra

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland, College Park（大学公园大学） ； Technical University Munich（慕尼黑技术大学） 纠错

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

AI总结 本文提出了一种基于成本驱动的线性二次高斯控制表示学习方法，通过隐式学习潜在动态来改进控制器性能。

Comments 38 pages; preliminary version appeared in IEEE CDC 2023; this is the extended journal version, with an end-to-end guarantee added

HURRI-GAN: A Novel Approach for Hurricane Bias-Correction Beyond Gauge Stations using Generative Adversarial Networks

HURRI-GAN：一种基于生成对抗网络的新型飓风偏差校正方法，超越测站范围

Noujoud Nadera, Hadi Majed, Stefanos Giaremis, Rola El Osta, Clint Dawson, Carola Kaiser, Hartmut Kaiser

机构 * Center of Computation and Technology, Louisiana State University（路易斯安那州立大学计算与技术中心） ； Saint-Joseph University of Beirut（贝鲁特圣约瑟夫大学） ； Department of Physics, Aristotle University of Thessaloniki（塞萨洛尼基阿列克斯大学物理系） ； Center for Interdisciplinary Research and Innovation, Aristotle University of Thessaloniki（塞萨洛尼基阿列克斯大学跨学科研究中心） ； Department of Computer Science, Louisiana State University（路易斯安那州立大学计算机科学系） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究院） 纠错

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

AI总结 HURRI-GAN通过生成对抗网络校正飓风偏差，提升风暴潮预测精度，超越传统测站范围。

Comments 18 pages, 6 figures