VIP群/论坛—博后职位—新加坡国立大学（QS 8）—深度强化学习算法和传统鲁棒自适应控制方法
文章概要：
1. 新加坡国立大学前身为1905年成立的海峡殖民地与马来亚联邦政府医学院，2025QS全球排名8。
2. 该项目将研究和开发深度强化学习算法和传统的鲁棒自适应控制方法，以开发安全关键的基于学习的控制算法，充分利用基于模型和无模型方法的优势。
3. 候选人应拥有博士学位，擅长鲁棒自适应控制强化学习理论、防撞轨迹优化等。
4. 拥有电气工程或严格相关专业（例如数学、计算机通信、机械或信息工程）的学位。
. 在鲁棒自适应控制、学习、基于学习的控制、模型预测拥有丰富的研究经验。
6 在本科和博士学习期间通过课程（尤其是数学密集型课程）和项目证明拥有出色的记录br> 7. 在主要期刊和会议上发表大量论文的记录非常有价值。
8. 出色的沟通技巧，他/她独立在和期刊上发表和展示结果。
9 拥有完善的分析和解决问题的能力，这在与机器人应用的强化学习和控制领域相关的出版物中有所体现。
10. 在世界一流的研究环境中开展的活动受到高度重视。
阅读原文
2. 该项目将研究和开发深度强化学习算法和传统的鲁棒自适应控制方法，以开发安全关键的基于学习的控制算法，充分利用基于模型和无模型方法的优势。
3. 候选人应拥有博士学位，擅长鲁棒自适应控制强化学习理论、防撞轨迹优化等。
4. 拥有电气工程或严格相关专业（例如数学、计算机通信、机械或信息工程）的学位。
. 在鲁棒自适应控制、学习、基于学习的控制、模型预测拥有丰富的研究经验。
6 在本科和博士学习期间通过课程（尤其是数学密集型课程）和项目证明拥有出色的记录br> 7. 在主要期刊和会议上发表大量论文的记录非常有价值。
8. 出色的沟通技巧，他/她独立在和期刊上发表和展示结果。
9 拥有完善的分析和解决问题的能力，这在与机器人应用的强化学习和控制领域相关的出版物中有所体现。
10. 在世界一流的研究环境中开展的活动受到高度重视。
仅7M参数！Mamba赋能强化学习！笔记本都能训练！
文章概要：
1. 本文介绍了基于状态空间模型(SSM)的世界模型，基于M世界模型，其实现了O(n)同时有效地捕捉长期依赖性并促进更长训练序列的有效使用。
2. 深度强化学习（RL）在一系列具有挑战性的应用中取得了显著，但训练能够解决复杂任务的策略往往需要次的交互，这在实践中可能并不可行。
. 本文做出了三项主要贡献：介绍了DR，这是第一个基于Mamba SSM构建的基于模型的强化学习智能体，以Mamba-2作为其架构的核心；比较了Mamba-1和Mamba-2性能；提出了一种新颖且直接方法，基于动态频率的采样（DFS）<>4. Drama世界模型架构，从序列索引i开始，原始游戏帧被编码为zi，并与动作ai结合，作为输入传递给Mamba模块。
5. 实验结果表明，基于Mamba的世界模型DR解决了基于RNN的世界模型在基于模型的强化学习（RL）中所面临的关键挑战。
6. 未来研究的一个有趣方向探索在哪些特定任务中，更长的序列能够在基于模型的RL中带来卓越性能。
阅读原文
2. 深度强化学习（RL）在一系列具有挑战性的应用中取得了显著，但训练能够解决复杂任务的策略往往需要次的交互，这在实践中可能并不可行。
. 本文做出了三项主要贡献：介绍了DR，这是第一个基于Mamba SSM构建的基于模型的强化学习智能体，以Mamba-2作为其架构的核心；比较了Mamba-1和Mamba-2性能；提出了一种新颖且直接方法，基于动态频率的采样（DFS）<>4. Drama世界模型架构，从序列索引i开始，原始游戏帧被编码为zi，并与动作ai结合，作为输入传递给Mamba模块。
5. 实验结果表明，基于Mamba的世界模型DR解决了基于RNN的世界模型在基于模型的强化学习（RL）中所面临的关键挑战。
6. 未来研究的一个有趣方向探索在哪些特定任务中，更长的序列能够在基于模型的RL中带来卓越性能。
翻译学习 | 100个常见AI名词（附带解释，下篇）
文章概要：
1. 文章介绍了100个常见的AI名词及其解释，包括稀疏编码、图神经网络、进化算法、模糊逻辑、群体智能等。
2. 文章提到了深度学习框架、强化学习中的探索与利用、自然语言处理中的命名实体识别、语义角色标注、语音合成等概念。
3. 文章还介绍了生成模型、判别模型、神经网络的可视化、强化学习中的多智能体系统、强化学习中的层次化学习、深度强化学习等技术。
4. 文章讨论了人工智能伦理、人工智能安全、边缘计算、联邦学习中的隐私保护、迁移学习、自监督学习等问题。
5. 文章提到了联邦学习、强化学习中的逆强化学习、神经网络剪枝、模型压缩、深度学习中的激活函数等内容。
6. 文章介绍了对抗样本、生成式对抗网络中的模式崩溃、可解释性AI、弱监督学习、上下文感知计算、情感分析等概念。
7. 文章还讨论了问答系统、神经网络架构搜索、神经符号集成、强化学习中的探索策略、序列生成模型、神经风格迁移等技术。
8. 文章介绍了嵌入表示、注意力机制、对抗训练、自动化机器学习、交互式机器学习、语义分割等概念。
9. 文章讨论了协同过滤、深度伪造、因果推理、强化学习中的策略梯度方法、神经渲染等技术。
阅读原文
2. 文章提到了深度学习框架、强化学习中的探索与利用、自然语言处理中的命名实体识别、语义角色标注、语音合成等概念。
3. 文章还介绍了生成模型、判别模型、神经网络的可视化、强化学习中的多智能体系统、强化学习中的层次化学习、深度强化学习等技术。
4. 文章讨论了人工智能伦理、人工智能安全、边缘计算、联邦学习中的隐私保护、迁移学习、自监督学习等问题。
5. 文章提到了联邦学习、强化学习中的逆强化学习、神经网络剪枝、模型压缩、深度学习中的激活函数等内容。
6. 文章介绍了对抗样本、生成式对抗网络中的模式崩溃、可解释性AI、弱监督学习、上下文感知计算、情感分析等概念。
7. 文章还讨论了问答系统、神经网络架构搜索、神经符号集成、强化学习中的探索策略、序列生成模型、神经风格迁移等技术。
8. 文章介绍了嵌入表示、注意力机制、对抗训练、自动化机器学习、交互式机器学习、语义分割等概念。
9. 文章讨论了协同过滤、深度伪造、因果推理、强化学习中的策略梯度方法、神经渲染等技术。