世界模型

K-Way Energy Probes for Metacognition Reduce to Softmax in Discriminative Predictive Coding Networks

K路能量探针用于元认知减少到softmax在判别预测编码网络中

Jon-Paul Cacioli

机构 * Independent Researcher, Melbourne, Australia（独立研究员，澳大利亚墨尔本） 纠错

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

AI总结 研究通过K路能量探针在判别预测编码网络中减少到softmax，发现其在多种条件下均低于softmax，且分解预测结构探针应从下跟踪softmax。

Comments 33 pages, 3 figures

A Robust SINDy Autoencoder for Noisy Dynamical System Identification

一种鲁棒的SINDy自编码器用于噪声动力系统识别

Kairui Ding

机构 * Department of Mathematics, Columbia University（哥伦比亚大学数学系） 纠错

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

AI总结 本文提出一种鲁棒的SINDy自编码器，通过引入噪声分离模块提高对噪声动力系统识别的鲁棒性，并在洛伦兹系统上验证了其有效性。

Comments 27 pages

Sliding Puzzles Gym: A Scalable Benchmark for State Representation in Visual Reinforcement Learning

滑动拼图健身房：一种可扩展的用于视觉强化学习状态表示的基准

Bryan L. M. de Oliveira, Luana G. B. Martins, Bruno Brandão, Murilo L. da Luz, Telma W. de L. Soares, Luckeciano C. Melo

机构 * Advanced Knowledge Center for Immersive Technologies -- AKCIT, Brazil（沉浸式技术高级知识中心 -- AKCIT，巴西） ； OATML, University of Oxford, United Kingdom（OATML，牛津大学，英国） ； Institute of Informatics, Federal University of Goiás, Goiânia, Brazil（信息学院，戈亚尼亚联邦大学，巴西） 纠错

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

AI总结 本文提出Sliding Puzzles Gym，通过调整网格大小和图像池来控制视觉表示复杂度，评估视觉表示学习能力，发现现有方法在处理视觉多样性时存在局限。

Comments Accepted at ICML 2025

Journal ref Proceedings of Machine Learning Research 267:12689-12717, 2025

EMPA: Evaluating Persona-Aligned Empathy as a Process

EMPA：评估基于角色的共情作为过程

Shiya Zhang, Yuhan Zhan, Ruixi Su, Ruihan Sun, Ziyi Song, Zhaohan Chen, Xiaofan Zhang

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EMPA框架，通过可控心理场景和多智能体沙盒评估持续干预而非孤立回复，以提升对话代理的共情能力。

Disentangling Slow and Fast Temporal Dynamics in Degradation Inference with Hierarchical Differential Models

分离慢速和快速时间动态以推断退化：基于分层微分模型

Mengjie Zhao, Olga Fink

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H-CDE框架，通过分离慢退化动态和快操作动态，提升退化推断的准确性与鲁棒性。

Enhancing Heterogeneous Multi-Agent Cooperation in Decentralized MARL via GNN-driven Intrinsic Rewards

通过图神经网络驱动的内在奖励增强去中心化MARL中的异质多智能体协作

Jahir Sadik Monon, Deeparghya Dutta Barua, Md. Mosaddek Khan

机构 * Independent University Bangladesh（独立大学Bangladesh） ； Penta Global Ltd（Penta全球有限公司） ； University of Dhaka, Bangladesh（达卡大学，Bangladesh） 纠错

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

AI总结 CoHet通过图神经网络驱动的内在动机提升去中心化MARL中异质智能体协作性能

Comments Full paper version for AAMAS 2025 (https://ifaamas.org/Proceedings/aamas2025/pdfs/p2681.pdf), 9 pages, 5 figures

Journal ref Proceedings of the 24th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2025), pages 2681-2683, 2025

NN-OpInf: an operator inference approach using structure-preserving composable neural networks

NN-OpInf: 一种利用结构保持可组合神经网络的运算符推断方法

Eric Parish, Anthony Gruber, Patrick Blonigan, Irina Tezaur

机构 * Sandia National Laboratories（桑地亚国家实验室） 纠错

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

AI总结 NN-OpInf通过结构保持可组合神经网络，提供一种更准确且鲁棒的非侵入式降阶建模方法，适用于非多项式非线性动态系统。

Integrating Lagrangian Neural Networks into the Dyna Framework for Reinforcement Learning

将拉格朗日神经网络整合到Dyna框架中用于强化学习

Shreya Das, Kundan Kumar, Muhammad Iqbal, Outi Savolainen, Dominik Baumann, Laura Ruotsalainen, Simo Särkkä

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

AI总结 本文提出将拉格朗日神经网络整合到Dyna框架中，以提升基于模型的强化学习中动力学建模的准确性与效率。

Comments 5 pages, 3 figures

Cost-Driven Representation Learning for Linear Quadratic Gaussian Control: Part II

基于成本驱动的线性二次高斯控制表示学习：第二部分

Yi Tian, Kaiqing Zhang, Russ Tedrake, Suvrit Sra

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Maryland, College Park（大学公园大学） ； Technical University Munich（慕尼黑技术大学） 纠错

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

AI总结 本文提出了一种基于成本驱动的线性二次高斯控制表示学习方法，通过隐式学习潜在动态来改进控制器性能。

Comments 38 pages; preliminary version appeared in IEEE CDC 2023; this is the extended journal version, with an end-to-end guarantee added

HURRI-GAN: A Novel Approach for Hurricane Bias-Correction Beyond Gauge Stations using Generative Adversarial Networks

HURRI-GAN：一种基于生成对抗网络的新型飓风偏差校正方法，超越测站范围

Noujoud Nadera, Hadi Majed, Stefanos Giaremis, Rola El Osta, Clint Dawson, Carola Kaiser, Hartmut Kaiser

机构 * Center of Computation and Technology, Louisiana State University（路易斯安那州立大学计算与技术中心） ； Saint-Joseph University of Beirut（贝鲁特圣约瑟夫大学） ； Department of Physics, Aristotle University of Thessaloniki（塞萨洛尼基阿列克斯大学物理系） ； Center for Interdisciplinary Research and Innovation, Aristotle University of Thessaloniki（塞萨洛尼基阿列克斯大学跨学科研究中心） ； Department of Computer Science, Louisiana State University（路易斯安那州立大学计算机科学系） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究院） 纠错

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

AI总结 HURRI-GAN通过生成对抗网络校正飓风偏差，提升风暴潮预测精度，超越传统测站范围。

Comments 18 pages, 6 figures

On Geometry Regularization in Autoencoder Reduced-Order Models with Latent Neural ODE Dynamics

关于自动编码器降阶模型中几何正则化的研究

Mikhail Osipov

机构 * Independent Researcher, Italy（意大利独立研究者） 纠错

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

AI总结 本文研究了自动编码器降阶模型中几何正则化策略的影响，发现Stiefel投影在改善潜在动态条件和滚动性能方面表现更优。

Comments 25 pages, 2 figures, 3 tables

ODEBrain: Continuous-Time EEG Graph for Modeling Dynamic Brain Networks

ODEBrain: 基于连续时间EEG图的动态脑网络建模

Haohui Jia, Zheng Chen, Lingwei Zhu, Rikuto Kotoge, Jathurshan Pradeepkumar, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai, Takashi Matsubara

机构 * Information Science and Techinology, Hokkaido University, Japan（信息科学与技术，北海道大学，日本） ； SANKEN, The University of Osaka, Japan（SANKEN，大阪大学，日本） ； Great Bay University, China（大湾大学，中国） ； Department of Computer Science, University of Illinois Urbana-Champaign, USA（计算机科学系，伊利诺伊大学厄巴纳-香槟分校，美国） 纠错

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

AI总结 ODEBrain通过整合时空频特征和神经ODE，提升EEG动态预测的鲁棒性和泛化能力。

Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation

利用数据同化高效实时适应不稳流的ROM

Ismaël Zighed, Andrea Nóvoa, Luca Magri, Taraneh Sayadi

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

AI总结 本文提出一种基于数据同化的高效ROM重训练方法，通过概率性VAE和变压器网络，在稀疏观测下实现快速实时适应不稳流的降阶模型。

Uni-Flow: a unified autoregressive-diffusion model for complex multiscale flows

Uni-Flow：一种统一的自回归-扩散模型用于复杂多尺度流体

Xiao Xue, Tianyue Yang, Mingyang Gao, Leyu Pan, Maida Wang, Kewei Zhu, Shuo Wang, Jiuling Li, Marco F. P. ten Eikelder, Peter V. Coveney

机构 * Centre for Computational Science, University College London, London, UK ； Department of Earth Science ； Engineering, Imperial College London, London, UK ； Department of Chemical Engineering, University College London, London, UK ； Department of Physics, Eindhoven University of Technology, Eindhoven, Netherlands ； School of Civil \& Environmental Engineering, Queensland University of Technology, Brisbane, Australia ； Australian Centre for Water ； Environmental Biotechnology, The University of Queensland, Brisbane, Australia ； Institute for Mechanics, Computational Mechanics Group, Technical University of Darmstadt, Germany ； Centre for Advanced Research Computing, University College London, London, UK 纠错

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

AI总结 Uni-Flow通过统一自回归-扩散模型，实现复杂多尺度流体的高效建模与高分辨率重构。

Latent-Variable Learning of SPDEs via Wiener Chaos

通过维纳混沌学习隐变量的随机偏微分方程

Sebastian Zeng, Andreas Petersson, Wolfgang Bock

机构 * Department of mathematics and physics（数学与物理系） ； Linnaeus University（林奈大学） ； physics（物理） ； Växjö, Sweden（瑞典瓦克斯约） 纠错

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

AI总结 本文提出了一种通过维纳混沌学习隐变量的随机偏微分方程方法，结合谱伽辽金投影与截断维纳混沌展开，实现对随机驱动的动力学建模，从而在无需显式噪声观测的情况下恢复随机结构。

Provably Efficient and Agile Randomized Q-Learning

可证明高效且敏捷的随机Q学习

He Wang, Xingyu Xu, Yuejie Chi

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

AI总结 本文提出了一种结合基于采样的探索和敏捷策略更新的随机Q学习算法，实现了可证明的高效和敏捷的回合制表格强化学习性能。

Mitigating Cognitive Inertia in Large Reasoning Models via Latent Spike Steering

通过潜在尖峰引导缓解大推理模型中的认知惯性

Seojin Lee, ByeongJeong Kim, Hwanhee Lee

机构 * Department of Artificial Intelligence, Chung-Ang University, Seoul, Korea（人工智能系， Chung-Ang 大学，首尔，韩国） 纠错

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

AI总结 STARS通过监测潜在动态，实时引导大推理模型缓解认知惯性问题，提升推理准确性和效率。

Comments 21 pages, 6 figures

Explainable Chain-of-Thought Reasoning: An Empirical Analysis on State-Aware Reasoning Dynamics

可解释的链式思维推理：对状态感知推理动态的实证分析

Sheldon Yu, Yuxin Xiong, Junda Wu, Xintong Li, Tong Yu, Xiang Chen, Ritwik Sinha, Jingbo Shang, Julian McAuley

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究） 纠错

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

AI总结 本文提出了一种状态感知的转换框架，通过结构化潜在动态分析链式思维推理的语义演变和转换，提升推理过程的可解释性。

Comments 5 pages, 4 figures

StoxLSTM: A Stochastic Extended Long Short-Term Memory Network for Time Series Forecasting

StoxLSTM：一种用于时间序列预测的随机扩展长短期记忆网络

Zihao Wang, Yunjie Li, Lingmin Zan, Zheng Gong, Mengtao Zhu

机构 * School of Information and Electronics（信息与电子学院） ； Beijing Institute of Technology（北京理工大学） ； Laboratory of Electromagnetic Space Cognition and Intelligent Control（电磁空间认知与智能控制实验室） ； National Key Laboratory of Science and Technology on Space-Born Intelligent Information Processing（空间智能信息处理国家级重点实验室） 纠错

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

AI总结 StoxLSTM通过引入随机变量改进xLSTM，有效建模时间序列的深层潜在动态和不确定性，提升预测性能。

Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models

面向快速粗粒化和方程发现的基础推理模型

Manuel Hinz, Maximilian Mauel, Patrick Seifner, David Berghaus, Kostadin Cvejoski, Ramses J. Sanchez

机构 * Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所） ； University of Bonn（波恩大学） ； Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； JetBrains Research（JetBrains研究） 纠错

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

AI总结 本文提出利用基础推理模型分离粗粒化与方程发现，通过预训练模型和简单损失函数实现高效动态系统建模。

Data-driven stochastic reduced-order modeling of parametrized dynamical systems

数据驱动的随机降阶建模：参数化动力系统

Andrew F. Ilersich, Kevin Course, Prasanth B. Nair

机构 * University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所） 纠错

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

AI总结 本文提出了一种数据驱动的随机降阶建模方法，通过概率自编码器和随机微分方程联合学习，实现跨参数空间的泛化和高效建模。

Role-Playing LLM-Based Multi-Agent Support Framework for Detecting and Addressing Family Communication Bias

基于角色扮演的LLM多智能体支持框架用于检测和解决家庭沟通偏见

Rushia Harada, Yuken Kimura, Keito Inoshita

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

AI总结 本研究提出基于角色扮演的LLM多智能体框架，用于检测家庭沟通中的理想父母偏见并生成改善反馈。

Flexible Manufacturing Systems Intralogistics: Dynamic Optimization of AGVs and Tool Sharing Using Coloured-Timed Petri Nets and Actor-Critic RL with Actions Masking

柔性制造系统内部物流：利用彩色时标记Petri网和具有动作掩码的Actor-Critic强化学习动态优化AGV和工具共享

Sofiene Lassoued, Laxmikant Shrikant Bahetic, Nathalie Weiß-Borkowskib, Stefan Lierc, Andreas Schwunga

机构 * South Westphalia University of Applied Sciences（西南莱茵河应用科学大学） 纠错

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

AI总结 本文提出结合彩色时标记Petri网与Actor-Critic强化学习的方法，用于动态优化柔性制造系统中的AGV和工具共享，提升效率并减少计算时间。

Journal ref Journal of Manufacturing Systems Journal of Manufacturing Systems Volume 82, October 2025, Pages 405-419

Modeling Information Blackouts in Missing Not-At-Random Time Series Data

缺失非随机时间序列数据中的信息黑区建模

Aman Sunesh, Allan Ma, Siddarth Nilol

机构 * New York University（纽约大学） 纠错

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

AI总结 本文提出了一种基于潜在状态空间框架的建模方法，用于处理缺失非随机时间序列数据中的信息黑区问题，通过联合建模交通动态和传感器停机，提高了交通预测的准确性。

Comments 8 pages, 7 figures, 3 tables

On Exact Editing of Flow-Based Diffusion Models

关于基于流的扩散模型的精确编辑

Zixiang Li, Yue Song, Jianing Peng, Ting Liu, Jun Huang, Xiaochao Qu, Luoqi Liu, Wei Wang, Yao Zhao, Yunchao Wei

机构 * Institute of Information Science, Beijing Jiaotong University（信息科学学院，北京交通大学） ； Visual Intelligence +X International Cooperation Joint Laboratory of MOE（视觉智能+X国际合作联合实验室） ； MT Lab, Meitu Inc（美图实验室，美图公司） ； Tsinghua University（清华大学） 纠错

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

AI总结 CVC通过双视角速度转换机制改进基于流的扩散编辑，实现更稳定的潜在动态和更准确的图像转换。

Dynamics-Invariant Quadrotor Control using Scale-Aware Deep Reinforcement Learning

基于尺度感知深度强化学习的动态不变四旋翼控制

Varad Vaidya, Jishnu Keshavan

机构 * Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science（罗伯特·博世网络物理系统中心，印度科学研究院） ； Department of Mechanical Engineering, Indian Institute of Science（机械工程系，印度科学研究院） 纠错

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

AI总结 本文提出一种基于尺度感知深度强化学习的四旋翼控制方法，通过直接优化力/扭矩输入实现动态不变性，有效提升轨迹跟踪精度和鲁棒性。

Comments This work has been submitted to the IEEE for possible publication

Journal ref 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Identifying recurrent flows in high-dimensional dissipative chaos from low-dimensional embeddings

从低维嵌入中识别高维耗散混沌中的循环流

Pierre Beck, Tobias M. Schneider

机构 * Emergent Complexity in Physical Systems Laboratory (ECPS), \'Ecole Polytechnique F\'ed\'erale de Lausanne, 1015 Lausanne, Switzerland 纠错

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

AI总结 本文提出一种在低维嵌入中识别高维耗散混沌系统循环流的方法，通过循环收敛算法和潜在动力学模型实现对UPOs的高效识别。

Probabilistic Reduced-Dimensional Vector Autoregressive Modeling with Oblique Projections

概率降维向量自回归建模与斜投影

Yanfang Mo, S. Joe Qin

机构 * Hong Kong Institute for Data Science, City University of Hong Kong, Hong Kong（香港数据科学研究所，香港城市大学，香港） ； The Institute of Data Science, Lingnan University, Hong Kong（数据科学研究所，岭南大学，香港） 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PredVAR模型，利用斜投影从高维噪声数据中提取低维动态，通过迭代算法实现动态潜在变量和显式VAR模型，验证了其在合成数据和工业过程中的优越性能。

Comments 16pages, 5 figures

Journal ref Automatica, Volume 180, October 2025, 112476

Autoregressivity in the Latent Space of a GP-VAE Language Model: An Empirical Ablation Study

在GP-VAE语言模型的潜在空间中的自回归性：一项经验消融研究

Yves Ruffenach

机构 * Conservatoire National des Arts et Métiers（法国国家艺术与工艺学院） 纠错

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

AI总结 本文通过实验验证了GP-VAE中潜在自回归在组织长距离结构中的有效性，并展示了其与令牌级自回归建模的互补性。

Comments A focused ablation study analyzing the role of latent autoregression in GP-VAE models

The World Is Bigger! A Computationally-Embedded Perspective on the Big World Hypothesis

世界更大！一个计算嵌入视角下的大世界假说

Alex Lewandowski, Adtiya A. Ramesh, Edan Meyer, Dale Schuurmans, Marlos C. Machado

机构 * University of Alberta（阿尔伯塔大学） ； Amii ； The Swiss AI Lab IDSIA, USI & SUPSI（瑞士AI实验室IDSIA、USI与SUPSI） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本文提出了一种计算嵌入视角下的持续学习方法，通过交互性目标评估智能体在无限状态空间中的适应能力，发现深度线性网络在扩展能力时表现更优。

Comments NeurIPS 2025 (spotlight)