标签
Meta-iLaD 提出一种通过跨动力学环境元学习实现可识别潜在动力学的新框架，利用少量样本的条件先验快速提取环境变量，并同时对潜在状态、环境变量与动力学函数建立可识别性，从而提升对未见环境的泛化与预测能力。
该研究使用在 Temple University EEG 语料上预训练的轻量级 CNN–Transformer 基础模型提取个性化潜在动力学，发现癫痫与非癫痫患者即使预测拟合度几乎相同，其学到的潜在依赖结构却存在显著差异，强调个性化临床模型需同时评估预测效度与内部动力学结构。
PDE-JEPA 为参数化 PDE 引入预测式表示预训练，包含一个掩码隐变量编码器、一个将隐轨迹与物理场演化对齐的几何投影器，以及一个物理结构化隐变量预测器；在九个 PDE 基准上，其分布内性能较 SOTA 提升 33.4%，外推性能提升 51.4%。
对比世界模型提出了一种新方法，无需像素重建即可学习潜在动态，并通过对比目标来提高在视觉复杂环境中的鲁棒性和效率，适用于基于模型的强化学习。
Flow-JEPA 引入了一种条件流匹配方法到 JEPA 世界模型中，提高了在嘈杂条件下预测未来潜在状态的鲁棒性和准确性。
XP-JEPA 通过引入跨预测物理基础来改善潜在动态，从而在世界模型中实现更好的可预测控制，且在测试时无需物理输入。
This paper proposes a minimal 'advantage-style' action channel for latent world models that cancels action-independent distractor variation by subtracting the mean effect over actions, improving controllability without auxiliary losses or reconstruction.
本文提出了一种基于神经ODE的正则化方法，该方法强制强化学习智能体中的潜在嵌入遵循一致的ODE流，使表示学习与环境动态对齐，并在Atari和网格世界基准上取得了性能提升。
Introduces Latent Dynamics Reasoning (LDR), a video world model that integrates kinematic dynamics in a structured latent space, enabling extrapolation of learned dynamics far beyond training distributions while using far fewer parameters and running much faster than video diffusion baselines.
Introduces Quantum-Structured World Models (QSWMs), a quantum-inspired framework for predictive world modeling with structured latent states, and evaluates them on elementary cellular automata against classical baselines.
SJEPA 引入了一种无需重建的 JEPA 框架，学习混合符号-神经潜在动力学，旨在获得最简单且充分的预测表示。实验表明，与事后拟合相比，它能发现更简单的符号动力学，并具有更低的展开误差，同时在语法错误设定下控制符号-神经分配。
本文介绍了潜变量李-泊松神经网络（LLPNNs），这是一种保持结构的框架，利用几何方法和基于Magnus的李群更新，直接从可观测数据学习李-泊松动力学。该方法在刚体、水下航行器和最优控制示例中表现出很强的准确性和鲁棒性。
本文通过使用Moving-MNIST、Pendulum、CartPole和KTH Actions上的扩张代理，实证研究了多时间尺度潜在一致性如何影响世界模型中的转移几何。研究发现，软一致性可以推动被动视频动态趋向收缩，但在动作条件领域则不成立。
本文提出了一种面向偏微分方程的目标无关控制框架，采用联合嵌入预测架构（JEPA），并配备轻量级2D ViT编码器和动作条件潜在动力学。研究表明，使用学到的物理可观测探针在控制任务中优于原始潜在距离。
本文将链式思维推理建模为切换动态系统，表明推理微调全局性地重新组织潜在策略状态，从而改善了多步推理。提出的框架结合了时间感知对比学习与离散状态发现，实验表明，微调后的模型展现出更丰富的潜在策略组织，并具有功能特化。
LIDAR-AD提出了一种用于自动驾驶的无解码器潜在交互世界模型，通过减少冗余的潜在对齐和残差动作更新，改进了风险感知的状态抽象和长时域动态预测，在模拟和真实场景中优于基线世界模型。
FLARE 是一种受迫潜在自编码器，能够从受迫物理系统的高维观测中发现紧凑的响应坐标和稀疏的、依赖于输入的潜在动力学，从而在未见输入下实现长时域预测。
Valdi 将端到端在线训练与潜在扩散动态相结合，用于强化学习中的模型预测控制，实现快速且能处理不确定性的动态预测，并在 CarRacing 环境中展示了初步结果。
本文研究了在学习到的潜在世界模型中如何认证守恒定律，提出了有界时域，通过可测量的模型缺陷可提前保证轨迹在物理不变水平集上保持多少步。
本文介绍了无注意力潜记忆和动态重编码，以改进库普曼自编码器中的长时域预测，减少基准动力系统上的误差累积。