ICML

In-Context Reinforcement Learning From Suboptimal Historical Data

基于次优历史数据的上下文强化学习

Juncheng Dong, Moyang Guo, Ethan X. Fang, Zhuoran Yang, Vahid Tarokh

机构 * Department of Electrical and Computer Engineering, Duke University, Durham, US（电气与计算机工程系，杜克大学，达勒姆，美国） ； Department of Biostatistics and Bioinformatics, Duke University, Durham, US（生物统计学与生物信息学系，杜克大学，达勒姆，美国） ； Department of Statistics and Data Science, Yale University, New Haven, US（统计学与数据科学系，耶鲁大学，新 Haven，美国） 纠错

AI总结 DIT框架通过结合价值函数估计和加权最大似然估计，有效提升在次优历史数据下的强化学习性能。

Comments Accepted to Forty-Second International Conference on Machine Learning (ICML2025)

A Generalizable Physics-Enhanced State Space Model for Long-Term Dynamics Forecasting in Complex Environments

一种通用的物理增强状态空间模型用于复杂环境中的长期动态预测

Yuchen Wang, Hongjue Zhao, Haohong Lin, Enze Xu, Lifang He, Huajie Shao

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Lehigh University（莱特大学） 纠错

AI总结 本文提出Phy-SSM，一种结合物理知识的状态空间模型，用于复杂环境中的长期动态预测，通过整合部分物理知识提升模型泛化能力与预测性能。

Comments 8 pages, 6 figures, accepted in ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML 2025), Proceedings of Machine Learning Research 267:65708-65737, 2025