世界模型

Seahorse: A Unified Benchmarking Framework for Spatiotemporal Event Modeling

Seahorse: 时空事件建模的统一基准框架

Yahya Aalaila, Gerrit Großmann, Sebastian Vollmer

机构 * German Research Center for Artificial Intelligence (DFKI), Data Science and its Applications Research Group, Kaiserslautern, Germany（德国人工智能研究中心（DFKI），数据科学及其应用研究组，凯泽斯劳滕，德国） ； Department of Computer Science, Rhineland-Palatinate Technical University of Kaiserslautern-Landau (RPTU), Kaiserslautern, Germany（计算机科学系，莱茵兰-普法尔茨凯泽斯劳滕-兰道工业大学（RPTU），凯泽斯劳滕，德国） 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Seahorse统一框架，通过编码-演化-解码接口标准化神经时空点过程，实现公平比较与诊断分析，并引入合成压力测试套件揭示各模型族的归纳偏差。

Comments 24 pages, 9 figures. Code: https://github.com/YahyaAalaila/seahorse

Quantum Bayesian Networks Can Speed up Reinforcement Learning in Partially Observable Environments

量子贝叶斯网络可以加速部分可观察环境中的强化学习

Gilberto Cunha, Alexandra Ramôa, André Sequeira, Michael de Oliveira, Luís Barbosa

机构 * High-Assurance Software Laboratory (HASLab), INESC TEC, Portugal（高可信软件实验室（HASLab），INESC TEC，葡萄牙） ； Department of Computer Science, University of Minho, Portugal（米尼奥大学计算机科学系，葡萄牙） ； International Iberian Nanotechnology Laboratory (INL), Portugal（国际伊比利亚纳米技术实验室（INL），葡萄牙） 纠错

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

AI总结 提出量子贝叶斯强化学习（QBRL），利用量子拒绝采样和幅度放大加速稀疏贝叶斯网络上的推理，实现部分可观察环境中基于模型的强化学习，在稀疏动力学环境下获得亚二次加速。

Physics-conforming Latent Twins

物理一致潜在对偶

Matthias Chung, Yutong Bu, Deepanshu Verma

机构 * Emory University（埃默里大学） ； Clemson University（克莱姆森大学） 纠错

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

AI总结 提出物理一致潜在对偶框架，通过联合学习编码器、解码器和潜在流映射，使潜在动力学满足守恒律、不变性和耗散结构，在保持代理模型预测精度的同时提高物理约束满足度和长期行为质量。

Comments 32 pages, 11 figures

Variational autoencoders with latent high-dimensional steady geometric flows for dynamics

具有潜在高维稳态几何流的变分自编码器用于动力学

Andrew Gracyk

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 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VAE-DLM方法，在潜在空间中引入稳态几何流，通过物理信息方法求解高维流，增强潜在表示的表达能力，在PDE型数据上降低OOD误差15%-35%。

Comments Edits and improved tables

Journal ref 23rd International Conference of Numerical Analysis and Applied Mathematics (ICNAAM) 2025

Context-Aware Markov VAE for CSI Compression in Wireless Systems

面向无线系统中CSI压缩的上下文感知马尔可夫VAE

Efstathios Chatziloizos, Konstantinos Vandikas, Aneta Vulgarakis Feljan, Zheng Chen, Nikolaos Pappas

机构 * Ericsson Research（爱立信研究） ； Knut and Alice Wallenberg Foundation（克努特和阿莉斯·瓦伦贝格基金会） ； ELLIIT ； Lund University（隆德大学） 纠错

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

AI总结 提出基于k-记忆马尔可夫变分自编码器的上下文感知压缩框架，利用有限时间窗口捕捉CSI在潜在空间中的演化，在低中压缩率下显著提升重构性能。

Comments 5 pages, 3 figures, 2 tables

COGENT: Continuous Graph Emulators with Neural Ordinary Differential Equations for Long-Term Physical Forecasting

COGENT: 基于神经常微分方程的连续图仿真器用于长期物理预测

Zesheng Liu, Maryam Rahnemoonfar

机构 * Lehigh University（理海大学） 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COGENT，一种结合图编码器和神经常微分方程的连续图仿真器，用于不规则地理空间网格上的长期物理预测，通过连续潜在动力学实现任意时间预测，并采用滚动视界采样和渐进调度策略稳定训练，在冰盖模拟中展现出优于自回归图基线的长期稳定性。

Offline Reinforcement Learning for Rotation Profile Control in Tokamaks

托卡马克旋转剖面控制的离线强化学习

Rohit Sonker, Hiro Josep Farre Kaga, Jiayu Chen, Andrew Rothstein, Ian Char, Ricardo Shousha, Egemen Kolemen, Jeff Schneider

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Princeton University（普林斯顿大学） ； Princeton Plasma Physics Lab（普林斯顿等离子物理实验室） ； The University of Hong Kong（香港大学） ； Lila Sciences 纠错

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

AI总结 针对托卡马克等离子体旋转剖面控制难题，提出基于历史数据的离线强化学习方法，利用概率模型生成轨迹训练策略，并在DIII-D托卡马克上验证了有效性。

MBMF: Model-Based Priors for Model-Free Reinforcement Learning

MBMF：基于模型的先验用于无模型强化学习

Somil Bansal, Roberto Calandra, Kurtland Chua, Sergey Levine, Claire Tomlin

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

AI总结 本文提出一种结合模型与无模型强化学习的方法，通过学习概率动力学模型作为先验，提升数据效率和成本效益。

Comments After we submitted the paper for consideration in CoRL 2017 we found a paper published in the recent past with a similar method (see related work for a discussion). Considering the similarities between the two papers, we have decided to retract our paper from CoRL 2017

GP-ILQG: Data-driven Robust Optimal Control for Uncertain Nonlinear Dynamical Systems

GP-ILQG：基于数据的鲁棒最优控制用于不确定非线性动力学系统

Gilwoo Lee, Siddhartha S. Srinivasa, Matthew T. Mason

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

AI总结 本文提出GP-ILQG算法，结合数据驱动的系统辨识方法与基于微分动态规划的鲁棒最优控制方法，有效解决现实与仿真之间的差距问题，实现快速修正模型并提升控制鲁棒性。

Using Reinforcement Learning for Demand Response of Domestic Hot Water Buffers: a Real-Life Demonstration

使用强化学习进行住宅热水缓冲的负荷响应：一项现实生活的演示

Oscar De Somer, Ana Soares, Tristan Kuijpers, Koen Vossen, Koen Vanthournout, Fred Spiessens

机构 * Flemish Institute for Technological Research (VITO)（佛兰德斯技术研究院（VITO）） 纠错

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

AI总结 本文提出了一种数据驱动的控制方法，用于现实住宅建筑中的负荷响应，通过优化热水器加热周期以最大化本地光伏生产自用电量。

Comments Submitted to IEEE ISGT Europe 2017

Physically-Constrained Mamba-SDE for Remaining Useful Life Prediction under Irregular Observations

物理约束的Mamba-SDE用于不规则观测下的剩余使用寿命预测

Deyu Zhuang, Peiliang Gong, Yang Shao, Liyuan Shu, Qi Zhu, Xiaoli Li, Daoqiang Zhang

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Nanyang Technological University（南洋理工大学） ； Singapore University of Technology and Design（新加坡科技设计大学） 纠错

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

AI总结 提出PC-MambaSDE框架，通过掩码感知连续Mamba编码器和物理引导的潜在SDE，解决不规则观测下剩余使用寿命预测的物理不可行性问题。

How Neural Losses Shape VAE Latents

神经损失如何塑造VAE潜在变量

Giorgio Strano, Luca Cerovaz, Michele Mancusi, Tommaso Mencattini, Emanuele Rodolà

机构 * Sapienza University of Rome（罗马大学萨皮恩扎分校） ； Paradigma, Inc.（Paradigma公司） ； Moises Systems, Inc.（Moises系统公司） ； EPFL（苏黎世联邦理工学院） 纠错

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

AI总结 本文研究感知损失和对抗损失等神经重建损失如何改变VAE的率失真问题，证明其减少潜在表示信息量并改变潜在空间几何结构，使表示更各向同性且不确定性分布更均匀。

Identifying Connectivity Distributions from Neural Dynamics Using Flows

利用流从神经动力学中识别连接分布

Timothy Doyeon Kim, Ulises Pereira-Obilinovic, Yiliu Wang, Eric Shea-Brown, Uygar Sümbül

机构 * Allen Institute, Seattle, WA, USA（艾伦研究所） ； University of Washington, Seattle, WA, USA（华盛顿大学） 纠错

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

AI总结 针对低秩循环神经网络（lrRNN）中连接结构不可识别的问题，提出基于最大熵和连续归一化流（CNF）的推理框架，通过流匹配训练学习连接权重分布，以无偏方式匹配观测动力学，并应用于合成数据和真实神经记录。

Reduced-order modeling of Hamiltonian dynamics based on symplectic neural networks

基于辛神经网络的哈密顿动力学降阶建模

Yongsheng Chen, Wei Guo, Qi Tang, Xinghui Zhong

机构 * School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院） ； Department of Mathematics and Statistics, Texas Tech University（德克萨斯理工大学数学与统计系） ； School of Computational Science and Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程学院） 纠错

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

AI总结 提出一种数据驱动的辛诱导降阶建模框架，通过统一端到端神经架构同时发现潜空间和学习动力学，确保降阶模型精确保持辛结构，提升长期稳定性和保真度。

Continuous Diffusion Models Can Obey Formal Syntax

连续扩散模型可以遵守形式语法

Jinwoo Kim, Taylor Berg-Kirkpatrick, Loris D'Antoni

机构 * Department of Computer Science and Engineering, University of California-San Diego, San Diego, USA（计算机科学与工程系，加州大学圣地亚哥分校，圣地亚哥，美国） 纠错

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

AI总结 提出一种无需训练的引导方法，利用正则表达式约束连续扩散语言模型的生成过程，使其满足形式语法，并在JSON和自然语言基准上实现68-96%的约束满足率。

EMMA: Extracting Multiple physical parameters from Multimodal Data

EMMA: 从多模态数据中提取多个物理参数

Farhat Shaikh, Ayan Banerjee, Sandeep Gupta

机构 * IMPACT Lab, School of Computing & Augmented Intelligence (SCAI)（IMPACT实验室，计算与增强智能学院） ； Arizona State University, Tempe, AZ（亚利桑那州立大学，Tempe） 纠错

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

AI总结 提出EMMA框架，利用物理信息多模态融合和LTC网络，从原始视频、音频和图像时间序列中联合推断系统动力学参数，无需先验条件或专用传感器，在100+场景中优于单模态方法。

Comments Accepted at CVPR 2026 (main conference)

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。

Truncated Neural Likelihood Estimation for Simulation-Based Inference in State-Space Models

截断神经似然估计用于状态空间模型中的基于模拟的推断

Kostas Tsampourakis, Víctor Elvira

机构 * School of Mathematics, University of Edinburgh（爱丁堡大学数学学院） 纠错

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

AI总结 本文提出了一种改进的截断神经似然估计（T-SNL）方法，解决了传统序列神经似然（SNL）在状态空间模型中推断时存在的样本需求大、扩展性差和不可 amortization 的问题，从而提高了推断的准确性、稳定性与鲁棒性。

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。

Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability

基于图神经ODE数字孪生的面向控制的反应堆热力学预测（在部分可观测性下）

Akzhol Almukhametov, Doyeong Lim, Rui Hu, Yang Liu

机构 * Department of Nuclear Engineering, Texas A&M University, College Station, TX 77843, USA（德克萨斯A&M大学核工程系，学院站，TX 77843，美国） ； Argonne National Laboratory, Nuclear Science and Engineering Division, USA（阿贡国家实验室，核科学与工程部，美国） 纠错

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

AI总结 本文提出了一种结合物理信息的图神经网络与神经普通微分方程（GNN-ODE）的模型，用于在部分可观测性下实现反应堆热力学状态的准确预测，该模型在预测精度、毫秒级推理速度和对部分可观测性的鲁棒性方面均表现出色。

LatentUMM: Dual Latent Alignment for Unified Multimodal Models

LatentUMM: 双重潜在对齐用于统一多模态模型

Yinyi Luo, Wenwen Wang, Hayes Bai, Marios Savvides, Jindong Wang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； William & Mary（威廉与玛丽学院） 纠错

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

AI总结 本文提出LatentUMM，通过构建增强的共享潜在空间，显式对齐映射到和从潜在空间的转换，提高跨模态一致性。实验表明，该方法在多种架构上一致提升了多模态一致性。

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

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

Latent-Space Causal Discovery from Indirect Neuroimaging Observations

从间接神经影像观测中发现潜在空间因果关系

Sangyoon Bae, Miruna Oprescu, David Keetae Park, Shinjae Yoo, Jiook Cha

机构 * Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Seoul National University（首尔国立大学） ； Computer Science（计算机科学） ； Cornell Tech, Cornell University（康奈尔科技，康奈尔大学） ； Brookhaven National Laboratory（布鲁克海文国家实验室） ； Department of Psychology（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 本文提出INCAMA方法，通过物理感知逆向与延迟感知Mamba编码器，提升从间接神经影像中恢复因果结构的性能，实验显示在TVB模拟和HCP任务fMRI中表现更优。

Comments 9 pages, 2 figures

A Forensic Analysis of Synthetic Data in RL: Diagnosing and Solving Algorithmic Failures in Model-Based Policy Optimization

对强化学习中合成数据的取证分析：诊断和解决基于模型的策略优化中的算法故障

Brett Barkley, David Fridovich-Keil

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Aerospace Engineering and Engineering Mechanics（航空航天工程与工程力学系） 纠错

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

AI总结 本文研究了基于模型的策略优化中合成数据导致性能下降的原因，提出FTFL方法修复算法故障，提升DMC任务性能并保持Gym表现。

Latent Trajectory Dynamics in Large Language Models: A Manifold Evolution Framework with Empirical Validation

大语言模型中的潜在轨迹动力学：一种具有实证验证的流形演化框架

Yukun Zhang, Qi Dong, Mengkang Li

机构 * The Chinese University Of Hongkong（香港中文大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出DMET框架，通过轨迹几何指标分析大语言模型生成过程中的潜在表示演化，实验证明其能有效预测文本质量并提升生成控制。

Latent Autoencoder Ensemble Kalman Filter for Nonlinear Data assimilation

潜在自编码器集合卡尔曼滤波器用于非线性数据同化

Xin T. Tong, Yanyan Wang, Liang Yan

机构 * Department of Mathematics, National University of Singapore（新加坡国立大学数学系） ； School of Mathematics, Southeast University（东南大学数学学院） 纠错

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

AI总结 本文提出了一种潜在自编码器集合卡尔曼滤波器，通过在学习的潜在空间中重构同化问题，解决传统卡尔曼滤波在强非线性动态下的性能问题，实现稳定且可解释的同化方法。

Overcoming Selection Bias in Statistical Studies With Amortized Bayesian Inference

通过 amortized 贝叶斯推断克服统计研究中的选择偏差

Jonas Arruda, Sophie Chervet, Paula Staudt, Andreas Wieser, Michael Hoelscher, Isabelle Sermet-Gaudelus, Nadine Binder, Lulla Opatowski, Jan Hasenauer

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

AI总结 本文提出一种基于模拟的贝叶斯推断框架，通过将选择机制嵌入生成模拟器，实现无须可 tractable 似然的去偏推断，适用于复杂模型和高维数据。

HalluSAE: Detecting Hallucinations in Large Language Models via Sparse Auto-Encoders

HalluSAE：通过稀疏自编码器检测大型语言模型中的幻觉

Boshui Chen, Zhaoxin Fan, Ke Wang, Zhiying Leng, Faguo Wu, Hongwei Zheng, Yifan Sun, Wenjun Wu

机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, School of Artificial Intelligence, Beihang University（北京未来区块链与隐私计算先进研究院，北京航空航天大学人工智能学院） ； State Key Laboratory of Virtual Reality Technology and Systems, Beihang University（北京航空航天大学虚拟现实技术与系统国家重点实验室） ； Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院） ； Renmin University of China（中国人民大学） 纠错

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

AI总结 HalluSAE通过稀疏自编码器和几何势能度量定位潜在相变区域，利用对比logit归因识别幻觉相关稀疏特征，通过线性探针检测因果幻觉，实验表明其在Gemma-2-9B上达到最先进的幻觉检测性能。

Fast and principled equation discovery from chaos to climate

从混沌到气候的快速且原理性的方程发现

Yuzheng Zhang, Weizhen Li, Rui Carvalho

机构 * Department of Engineering（工程系） ； Institute for Data Science（数据科学研究所） ； College of Control Science and Engineering（控制科学与工程学院） 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Bayesian-ARGOS框架，结合频繁ist筛查与贝叶斯推断，实现高效且原理性的方程发现，在计算成本显著降低的同时，优于现有方法在数据效率和噪声容忍度上的表现。

Comments 34 pages, 8 figures