CTWM 论文:让世界模型隐空间距离对规划真正有意义
hisspikeness · x · 2026-10-05
Michael Hauri 与 Peter Buttaroni 等人发布新论文《Learning Commute-Time-Preserving World Models for Planning》(arXiv:2610.01373)。
- 核心问题：agent 在世界模型的隐空间里规划，靠的是选择最短化「到目标距离」的动作，但隐空间里什么才算「近」？论文借用「通勤时间距离」——即随机游走者到达目标再返回所需的时间，它能刻画环境中的瓶颈与捷径。
- 理论背景：图拉普拉斯的谱嵌入在特定特征值缩放下天然满足这一性质，但在大规模连续环境中直接构建图拉普拉斯不可行；而常用的自监督方法为防止表征塌缩而鼓励各向同性表征，反而破坏了正确的特征值缩放。
- 方法：提出 CTWM（Commute-Time-Preserving World Models），结合隐位移预测器与 log-determinant 正则化防塌缩，在可逆确定性动力学与预测器不动点条件下可证明恢复正确缩放的拉普拉斯表征。
- 结果：在多个复杂连续目标达成基准上，CTWM 追平或超过任务无关基线 LeWM，且参数量只有其一半。
作者线程还从 Tolman 的「潜伏学习」老鼠迷宫实验引入：动物在不知道地图用途之前就先构建了世界地图。
所属事件:CTWM 世界模型以半参数保通勤时间，规划性能持平强基线(6 条相关)→
「研究」频道最新
- Cohere Labs 多篇研究入选 COLM,含海报与工作坊报告 — Cohere_Labs · 2026-10-05
- Gaussian Splatting 随机渲染提速:Pixel 7 Pro 上 7.5ms 渲一帧 — willeastcott · 2026-10-05
- Windfoil 发布:闭式覆盖实现更快可微矢量图形渲染 — thespite · 2026-10-05
- 复盘谷歌量子霸权争议：200 秒神话一周内被 IBM 打到 2.5 天 — thisguyknowsai · 2026-10-05
- Schmidhuber 重申:1991 年 ULTRA 才是线性注意力与 Transformer 概念源头 — SchmidhuberAI · 2026-10-05
- Reddit 用户发起 Dot Commons:让众人 AI 智能体协作攻关阿尔茨海默病研究 — Kitchen-Jicama8715 · 2026-10-05