世界模型

Toward AI-Driven Digital Twins for Metropolitan Floods: A Conditional Latent Dynamics Network Surrogate of the Shallow Water Equations

迈向AI驱动的数字孪生用于城市洪水：一个基于条件潜在动态网络的浅水方程代理模型

Phillip Si, Yuan Qiu, Omar Sallam, Jeremy Feinstein, Ziang He, Eugene Yan, Peng Chen

机构 * School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Environmental Science Division, Argonne National Laboratory（环境科学部，阿贡国家实验室） 纠错

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

AI总结 本文提出CLDNet，一种基于降雨的低维潜在神经ODE模型，结合坐标解码器，用于快速模拟城市洪水。该方法在单节点上实现大规模训练，并在不需栅格化的情况下进行精确查询，显著提升预测速度和精度。

Characteristic Root Analysis and Regularization for Linear Time Series Forecasting

特征根分析与线性时间序列预测中的正则化

Zheng Wang, Kaixuan Zhang, Wanfang Chen, Xiaonan Lu, Longyuan Li, Tobias Schlagenhauf

机构 * Bosch Center for AI (BCAI) & Bosch (China) Investment Co., Ltd.（博世人工智能中心（BCAI）及博世（中国）投资有限公司） ； Robert Bosch GmbH（罗伯特·博世有限公司） 纠错

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

AI总结 本文研究线性模型在时间序列预测中的特征根作用，提出鲁棒根重构策略，通过实验验证了其有效性，实现了高性能的预测模型。

Comments Accepted for publication at ICLR 2026

Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time

可观测的神经ODEs用于连续时间中可识别的因果预测

Jennifer Wendland, Nicolas Freitag, Maik Kschischo

机构 * Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出可观测的神经ODEs模型，通过连续时间调整公式实现因果可识别，利用观测数据预测不同治疗路径的结果，实验显示在合成癌症数据、半合成数据和真实脓毒症数据上表现优异。

Comments 20 pages, 5 figures