Physics Consistency and Latent Dynamics in Spatiotemporal Physics Field Generation
基于混合Mamba-Transformer的时空场生成
专题命中 模型式强化学习 ：latent dynamics(title)；分类 cs.AI、cs.LG
AI总结 本文提出基于混合Mamba-Transformer架构的时空物理场生成模型，并通过物理信息微调机制有效减少物理误差。
视觉与机器人
世界模型
面向环境建模、时序预测、仿真规划、具身智能和自动驾驶的世界模型方法与应用。
1. 模型式强化学习 3 篇
Uncertainty-Aware Predictive Safety Filters for Probabilistic Neural Network Dynamics
具有不确定性的预测安全过滤器用于概率神经网络动态
机构 * Institute for Data Science in Mechanical Engineering (DSME), RWTH Aachen University（机械工程数据科学研究所（DSME），亚琛工业大学） ； Institute of Climate and Energy Systems (ICE), Energy Systems Engineering (ICE-1), Forschungszentrum Jülich GmbH（气候与能源系统研究所（ICE），能源系统工程（ICE-1），焦耳研究中心有限公司）
专题命中 模型式强化学习 ：model-based RL(abstract)；分类 cs.LG；dynamics model(abstract)
AI总结 本文提出了一种具有不确定性的预测安全过滤器（UPSi），通过将未来结果建模为可达集，利用概率集合（PE）神经网络动态模型提供严格的安全预测，从而在模型基于强化学习（MBRL）中提升探索安全性，同时保持与标准MBRL相当的性能。
Comments Reinforcement Learning Journal, 2026. Reinforcement Learning Conference (RLC), Montréal, August 2026
Minimax-Optimal Policy Regret in Partially Observable Markov Games
部分可观测马尔可夫博弈中的极小化最优策略遗憾
机构 * Raman Arora
专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.LG
AI总结 针对部分可观测马尔可夫博弈，提出基于epoch的乐观最大似然算法，实现了与聚合Eluder维数相关的$ ilde{O}(\sqrt{T})$策略遗憾，并证明了匹配的下界。
