世界模型

Scalable and Efficient Continual Learning from Demonstration via a Hypernetwork-generated Stable Dynamics Model

通过超网络生成的稳定动力学模型实现可扩展且高效的示范学习

Sayantan Auddy, Jakob Hollenstein, Matteo Saveriano, Antonio Rodríguez-Sánchez, Justus Piater

机构 * Faculty of Electrical Engineering and Computer Science, Technical University of Berlin（电气工程与计算机科学系，柏林技术大学） ； Department of Computer Science, University of Innsbruck（计算机科学系，因斯布鲁克大学） ； Digital Science Center (DiSC), University of Innsbruck（数字科学中心（DiSC），因斯布鲁克大学） ； Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学） ； Singular Research Center on Intelligent Systems (CiTIUS), University of Santiago de Compostela（智能系统研究中心（CiTIUS），圣地亚哥-德孔波斯特拉大学） 纠错

专题命中 模型式强化学习 ：dynamics model(title,abstract)；分类 cs.RO

AI总结 本文提出一种稳定的持续学习方法，利用超网络生成轨迹学习动力学模型和Lyapunov函数，提升稳定性与准确性，通过任务嵌入减少训练时间，实验证明其在多任务学习中优于现有方法。

Comments To appear in IEEE Transactions on Cognitive and Developmental Systems

PAINET: A Principled Efficient Transformer for 3D Dynamics Modeling

PAINET：一种基于原理的高效变压器用于3D动态建模

Kai Yang, Yuqi Huang, Junheng Tao, Wanyu Wang, Qitian Wu

机构 * Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； SJTU Paris Elite Institute of Technology, Shanghai Jiao Tong University（上海交通大学巴黎精英理工学院） ； Department of Physics, Harvard University（哈佛大学物理系） ； Harvard-MIT Center for Ultracold Atoms（哈佛-麻省理工冷原子中心） ； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和wendy Schmidt中心） 纠错

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

AI总结 本文提出PAINET，一种基于SE(3)等价性的变压器，用于学习多体系统的所有对相互作用，通过物理启发的注意力网络和并行解码器，在多个真实世界基准上实现了3D动态预测的误差降低。

Comments 24 pages, published as a conference paper at ICLR 2026

Meta-reinforcement learning with minimum attention

最小注意力的元强化学习

Shashank Gupta, Pilhwa Lee

机构 * Department of EECS（电气与计算机工程系） ； Department of Mathematics（数学系） ； University of Michigan（密歇根大学） ； Morgan State University（摩根州立大学） 纠错

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

AI总结 本文研究了将最小注意力应用于强化学习作为奖励的一部分，探索其与元学习和稳定性的联系，通过模型基于元学习和梯度基元策略学习，在高维非线性动态中实现高效适应与能量效率提升。

Comments 30 pages, 22 figures