![Предложенная модель латентного мира отображает входное изображение в компактные латентные токены [latex]{\bm{z}}[/latex], после чего, используя полученные токены, обучает модель [latex]f\_{\phi}({\bm{z}}\_{t},{\bm{a}}\_{t})[/latex] для моделирования условного распределения будущего состояния [latex]p\_{\phi}({\bm{z}}\_{t+1}|{\bm{z}}\_{t},{\bm{a}}\_{t})[/latex] посредством маскированного генеративного моделирования, что позволяет осуществлять планирование действий [latex]{\bm{a}}\_{0:H-1}[/latex] во время принятия решений для минимизации расстояния между предсказанным конечным состоянием и целевым изображением.](https://arxiv.org/html/2603.05438v1/2603.05438v1/x1.png)
Новый подход к токенизации изображений позволяет значительно уменьшить объем данных, необходимых для обучения систем искусственного интеллекта, не теряя при этом возможности планирования сложных действий.
Представлен эффективный стохастический алгоритм, позволяющий решать задачи Minimax с невыпуклыми функциями и обобщенными условиями гладкости.
Новый подход к оценке и сравнению траекторий движения автономных систем позволяет учитывать неопределенность окружающей среды и принимать обоснованные решения.
Новый подход позволяет значительно повысить стабильность и эффективность обучения суррогатных моделей для сложных задач оптимизации, используя минимальные вычислительные ресурсы.
В статье представлен инновационный метод параметризации DRAM-эквалайзеров, основанный на обучении с подкреплением и принципах сжатия информации.