世界模型

Flowing Through States: Neural ODE Regularization for Reinforcement Learning

状态间的流动：用于强化学习的神经常微分方程正则化方法

Mohamed Ghanem, Bernd Finkbeiner

机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Technical University of Munich（慕尼黑工业大学） 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 该研究提出一种基于神经ODE的正则化方法，将其集成到Actor-Critic算法中，在A2C的Atari基准和PPO的网格世界环境中显著提升了强化学习智能体的性能。

Embedded Variational Neural Stochastic Differential Equations for Learning Heterogeneous Dynamics

嵌入变分神经随机微分方程用于学习异质动态

Sandeep Kumar Samota, Reema Gupta, Snehashish Chakraverty

机构 * National Institute of Technology, Rourkela, India（印度国立理工学院鲁尔克拉分校） ； Poverty Alleviation Research Centre, National Institute of Technology, Rourkela, India（印度国立理工学院鲁尔克拉分校扶贫研究中心） 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V-NSDE模型，结合神经SDE的动态表达与VAE的生成能力，用于学习异质动态，通过编码器和解码器处理时间序列数据，提升复杂模式识别能力。