标签
本文介绍了 ODEWorld，一种使用物理时间流（PT-Flow）的连续时间潜在世界模型，该模型学习由常微分方程参数化的潜在速度场，能够实现任意时间分辨率、回溯预测，并改进视频生成和机器人控制的规划。
本文通过一个代价元组将十二种连续时间生成模型统一在平均场博弈论框架下，介绍了MFGLab（一个自动共享训练循环和求解器的PyTorch库），并提出了使用可微熵函数以改善模式覆盖的DI-Flow。
本文识别了哈密顿生成网络（HGN）在非保守环境中阻止时间泛化到不同步长的失败模式，并提出了针对性的修复方案，以实现可变时间分辨率下的稳定动力学预测。
本文证明了在不规则、非平稳观测下主权代理网格中实现最优推理的两个必要条件：自适应时间尺度和间隙依赖性。这些条件仅由液态（连续时间）网络满足。
本文提出了一个用于连续环境中深度强化学习的理论框架，利用随机控制理论将其建模为连续时间随机过程。作者刻画了在两层网络无限宽极限下的演员-评论家算法的动力学，并推导了一个在极小的学习率下状态分布无穷小变化的方程。
提出了一个连续性准则，用于将离散时间因果先验数据拟合网络扩展到连续时间，利用随机微分方程（SDE）。引入了分类体系和细网格积分方法，在不规则观测时间表上优于朴素积分方法。
本文介绍了连续时间分布匹配（CDM），这是一种用于少步扩散蒸馏的方法，它通过将优化过程从离散迁移到连续，提高了视觉保真度并保留了精细细节。