世界模型

Dreaming Smoothly and Sample Efficiently with Gradient Penalized Latent Dynamics

利用梯度惩罚潜在动力学实现平滑且高效的采样

Romil V. Sonigra, P. R. Kumar

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Texas A&M University（德克萨斯大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 提出GPLD正则化器，通过行雅可比惩罚增强DreamerV3潜在转移动力学的局部平滑性，提升样本效率，尤其在复杂运动控制任务中表现显著。

Comments 17 pages and 9 figures

Learning a Particle Dynamics Model with Real-world Videos

利用真实世界视频学习粒子动力学模型

Chanho Kim, Suhas V. Sumukh, Li Fuxin

机构 * Oregon State University（俄勒冈州立大学） 纠错

专题命中 模型式强化学习 ：world model(abstract)；world models(abstract)；dynamics model(title,abstract)；world model(abstract)

AI总结 提出一种从无标签真实视频直接训练神经物体动力学模型的框架，结合高斯溅射技术，通过渲染监督学习粒子位置和旋转变化，避免对合成数据的依赖。

Comments CVPR 2026 Findings

The Surprising Difficulty of Search in Model-Based Reinforcement Learning

基于模型的强化学习中搜索的惊人困难

Wei-Di Chang, Mikael Henaff, Brandon Amos, Gregory Dudek, Scott Fujimoto

机构 * Meta FAIR ； McGill University（麦吉尔大学） 纠错

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

AI总结 本文研究基于模型的强化学习中的搜索问题，发现即使模型高度准确，搜索也可能损害性能，而缓解过估计偏差比提高模型或价值函数精度更重要，通过取价值函数集成的最小值可有效解决偏差并实现有效搜索。

Comments ICML 2026

Learning Individual Dynamics from Sparse Cross-Sectional Snapshots

从稀疏横截面快照中学习个体动力学

Christian Lagemann, Kai Lagemann, Steven L. Brunton, Sach Mukherjee

机构 * Statistics and Machine Learning, German Center for Neurodegenerative Diseases (DZNE)（统计与机器学习，德国神经退行性疾病中心（DZNE）） ； MediaTek Research（联发科技研究） ； Department of Mechanical Engineering & AI Institute in Dynamic Systems, University of Washington, Seattle（机械工程与人工智能动态系统研究所，华盛顿大学，西雅图） ； DZNE & University of Bonn, Bonn, Germany and University of Cambridge, Cambridge, United Kingdom（DZNE与波恩大学，波恩，德国和剑桥大学，剑桥，英国） 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 提出CADENCE框架，通过将潜在动力学锚定到静态个体上下文，从孤立快照中恢复连续个体轨迹，并证明单时间点轨迹推断的可识别性。

Learning partially observed systems with neural Hamiltonian ordinary differential equations

学习部分观测系统：神经哈密顿常微分方程

Sunniva Meltzer, Sølve Eidnes, Alexander Johannes Stasik

机构 * Department of Mathematics and Cybernetics, SINTEF Digital（数学与自动化系，SINTEF数字研究院） ； Department of Physics, University of Oslo（物理系，奥斯陆大学） ； Department of Data Science, Norwegian University of Life Science（数据科学系，挪威生命科学大学） 纠错

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

AI总结 提出神经哈密顿常微分方程（NHODE）框架，结合哈密顿神经网络和神经常微分方程，从部分观测数据中学习物理系统，通过嵌入哈密顿结构保证能量守恒，并仅在观测变量上定义损失，在多个复杂系统上验证了其预测精度和长期稳定性。