- 从傅立叶到神经常微分方程：用于建模复杂系统的流匹配
采用傅里叶分析为基础的无需模拟的神经常微分方程框架，在复杂系统的动力学建模方面表现出色。
- NODEC: 用于未知动态系统的神经常微分方程优化控制
通过耦合的神经 ODE 模型，NODEC 实现了对未知动力学系统的控制以及目标状态下的优化控制，展示了其在学习未知动力学系统的最优控制方面的有效性和数据效率。
- 交互环境中基于 Koopman 理论的高效动力学建模
采用 Koopman 理论的方法，在高维潜在空间中线性化环境的非线性动力学，从而实现加速连续计划和模拟学习。
- 使用 Transformer 的视频传播经验研究
本研究介绍了 Video Diffusion Transformer（VDT），它首次在基于扩散的视频生成中提出了 Transformer 的使用，通过模块化的时间和空间注意机制实现了 Transformer 块，并能够通过简单的令牌空间串 - 伪哈密顿系统辨识
本文提出了一种基于假想哈密顿公式的方法，可以对受干扰的系统动力学建模，即使模型只有系统的观测数据。该方法通过神经网络学习系统中的未知阻尼和外部干扰的影响，应用于一些传统方法难以适用的情境中，同时通过第四阶对称积分损失函数的方法对噪声数据进行 - 基于动力学调整的自我中心姿态估计运动策略
提出一种物体感知的三维自我中心姿态估计方法，通过运动学建模、动力学建模和场景中物体的信息紧密集成，在物体感知的基础上估计出物理上合理的三维人体 - 物体交互姿态，并在受控实验和现实场景中进行评估。
- ICLR深度卷积在非规则采样时间点云中的应用
本论文提出了一种使用深度学习模型对不规则采样的连续空间时间过程进行直接学习和预测的方法，并验证了该模型在真实天气数据和星际争霸 II 中的有效性。
- 论基于模型的强化学习中超参数优化的重要性
本文研究了基于模型的强化学习中的自动超参数优化方法，实验证明，与人工调参相比，自动 HPO 能显著提高算法性能，并通过动态地调整多个超参数进一步优化模型性能，实验还揭示了计划视野和学习率等超参数对模型稳定性和奖励的影响。
- ICCV从叙述视频循环中学习时间动态
提出了一种基于自监督训练的计算机视觉方法，通过结合视觉和语言的时间循环一致性来学习模型预测未来和过去的动态变化，并可应用于不同任务，如动作预测和图像排序。
- 用于越野无人车的多模态动力学建模
该篇论文研究如何在戶外和非结构化环境下使用多种传感器来构建预测机器人动态的模型，实验表明多种传感器的组合能够更准确地预测机器人的状态变化。
- 通过生成模型的内在奖励驱动的模仿学习
通过引入一种新的奖励学习模块，可通过生成模型生成内在奖励信号。我们的生成功能可以更好地执行前向状态转换和后向动作编码，提高模块在环境中的动力学建模能力，并为模仿代理提供了模仿者的内在意图和更好的探索能力。经验证明，我们的模型在多个 Atar - ICLR随机多目标系统的关系状态空间模型
本文提出了一种基于关系状态空间模型 (R-SSM) 的序列分层潜变量模型，其利用图神经网络 (GNNs) 模拟多个相关对象的联合状态转移，同时提供了一种灵活的将关系信息纳入到多对象动态建模的方式，并且通过实验在合成和真实时间序列数据集上进行 - 基于变分推理的贝叶斯模型强化学习动态规划
该研究提出了一种基于贝叶斯推理的模型强化学习方法，通过引入不确定性建模，可以更好地优化学习表现，并在多个机器人运动任务上得到了验证。
- 基于变量状态的潜在条件随机场用于面部表情识别和动作单位检测
本论文提出了一种名为 VSL-CRF 的模型，它可以自动选择最佳的潜态，以更好地建模面部表情和 AU 的动态。实验结果表明，相对于传统的 L-CRF 和其他相关的最新模型，VSL-CRF 表现更好。
- 从嘈杂不完整的观测中学习 STRIPS 运算符
本文研究如何使智能代理能够在真实环境中自主行动，提出一种通过学习状态转换函数从而得到明确的 STRIPS 规则的方法，能够应对真实环境中嘈杂的或不完全的观察数据。模拟实验表明该方法能够学习有用的环境模型描述。