本文提出 Spectral Dynamics Embedding (SPEDE) 算法，通过噪声结构对表示学习进行乐观探索，突破了表达能力和可处理性之间的权衡，并在多个基准测试中证明了其优越性能。

Nov, 2021

本文使用 Nesterov 的平滑技术和 Legendre-Fenchel 变换将贝尔曼方程式重新构成一个新的原始对偶优化问题，并开发了一个名为平滑贝尔曼误差嵌入的新算法来解决这个优化问题，其中可以使用任何可微分类函数。我们提供了通用非线性函数逼近的第一个收敛保证，并分析了算法的样本复杂度。经验上，我们的算法在几个基准控制问题中与最先进的基准线相比表现得非常好。

Dec, 2017

本文提出了一种基于非线性随机最优控制理论、应用数学和机器学习的不确定性决策制定新方法。我们开展了一项控制框架的研究，旨在解决机器人和自主决策问题中的不确定性，并提出了一种深度神经网络架构用于随机控制。在仿真非线性系统中，我们研究了所提算法的性能和可扩展性，并讨论了未来的研究方向及其对机器人技术的影响。

Feb, 2019

使用信息论的 Learning Controllable Embedding (LCE) 方法，通过使用预测编码来代替显式的下一个观察预测，提出了一种无解码器的 LCE 模型，其潜在动力学适于局部线性控制，并在基准任务上展示了可靠的控制潜在空间的学习能力，表现优于现有 LCE 基准线。

Mar, 2020

本文提出了一种新的方法 —— 学习具有鲁棒性的局部线性可控嵌入（RCE）模型，该模型可以直接估计给定当前观测下未来观测的预测条件密度，并引入瓶颈结构使得模型动力学具有鲁棒的可线性化特性，同时提出了一种有原则的变分近似方法，使得变分近似更加鲁棒。实验结果表明，与 Embed-to-Control（E2C）模型相比，RCE 模型具有更好的鲁棒性和预测性能，尤其在系统动力学存在噪声的情况下表现显著。

Oct, 2017

本文提出一种新的基于张量分解的动态规划算法，通过压缩高维函数并在其上直接执行动态规划计算，使其在具有低秩结构的问题实例中能够缓解维数灾难，并对最终的解提供任意精度的保证，同时可实现巨大的计算节省。

Nov, 2016

本文介绍了一种有效且实用的在线预测离散线性动态系统的算法，通过过参数化多项式对 LDS 的类别进行替代的方式，以获得损失函数的凸性，从而绕过了非凸最优化问题，并基于一种新颖的滤波技术进行了算法的构建。

Nov, 2017

本文介绍了一种增强学习的动力系统方法，通过在潜在流形上建模震荡阻尼振子，将动力系统的非线性编码到空间曲率中，从而实现在线环境的本地自适应和障碍物避免，并展示了在合成矢量场和实际世界中学习 3D 机器人末端执行器运动的有效性。

Mar, 2024

本文介绍了一种用于非线性动力系统状态空间识别的编码器方法，它通过将数据集拆分为多个独立部分来近似模拟误差，并使用前馈神经网络估计每个部分的初始状态，从而实现较高效的优化并在知名基准测试中取得了最优结果。

Dec, 2020

提出了一种名为 Embed to Control (ETC) 的强化学习算法，通过学习观察和状态历史的最小但足够的表示来解决部分观测 Markov 决策过程（POMDP）中的样本复杂性问题，实现了表示学习和策略优化的桥梁，具有高效的样本复杂度，适用于具有低秩结构的 POMDP 问题。

May, 2022