世界模型

The impact of observation density on Bayesian inversion of latent dynamics in shock-dominated flows

观测密度对冲击主导流动中潜变量动态贝叶斯反演的影响

Bipin Tiwari, Muhammad Abid, Omer San

机构 * Department of Mechanical and Aerospace Engineering, University of Tennessee, Knoxville（田纳西大学机械与航空航天工程系） 纠错

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

AI总结 本文提出了一种非侵入式降阶建模框架，用于高效贝叶斯初始状态反演与不确定性量化，通过卷积自编码器和学习的潜空间前向算子结合，以提高冲击主导流动中潜变量动态的反演精度和效率。

EfficientTDMPC: Improved MPC Objectives for Sample-Efficient Continuous Control

EfficientTDMPC: 改进的MPC目标以实现高效的连续控制

Thomas Evers, Cristian Meo, Wendelin Bohmer, Justin Dauwels, Yaniv Oren

机构 * TU Delft（代尔夫特理工大学） ； LatentWorlds AI 纠错

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

AI总结 本文提出EfficientTDMPC，一种基于模型的强化学习方法，用于连续控制，通过减少误差和增加数据新鲜度来提高样本效率。

Sampling-Based Safe Reinforcement Learning

基于采样的安全强化学习

Luca Vignola, Bruce D. Lee, Manish Prajapat, Manuel Wendl, Melanie Zeilinger, Andreas Krause, Yarden As

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出了一种基于采样的安全强化学习方法，通过在有限的动力学样本集上联合施加约束，确保学习过程中的安全性，并在连续域中提供实用的安全保证，同时通过限制认知不确定性实现了高效的探索。

Not all uncertainty is alike: volatility, stochasticity, and exploration

并非所有不确定性都相同：波动性、随机性与探索

Payam Piray

机构 * Department of Psychology, University of Southern California（南加州大学心理学系） 纠错

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

AI总结 本文研究了在生物和人工智能中适应性决策中波动性和随机性对探索的影响差异，提出了CAUSE方法以提升探索效率。