本研究提出了一种基于扩散轨迹交集的无模型、零样本、免训练的文本到视频生成方法。该方法通过一致的帧内容生成和控制帧转换时机，显著提升了视频生成的时间一致性和视觉逼真度，实证分析显示用户满意度和量化指标均优于现有方法。

本研究提出了一种量子自然策略梯度（QNPG）算法，旨在解决无模型量子强化学习问题。该算法通过确定性梯度估计，显著提高了样本复杂性至$ ilde{ ext{O}}(oldsymbol{ ext{ε}}^{-1.5})$，优于经典下界$ ilde{ ext{O}}(oldsymbol{ ext{ε}}^{-2})$。

本研究提出了一种无模型演员-评论家算法，旨在解决离线强化学习中的分布外动作问题。通过引入梯度多样性惩罚和可调行为克隆项，提升了训练的稳定性和准确性。实验结果表明，该算法在D4RL MuJoCo基准上表现优异。

该论文介绍了一种将传统的 Black and Scholes 模型与人工智能算法相结合的 Q-Learning Black Scholes 方法，实现了无模型、数据驱动的期权定价和对冲。该算法在不同场景下表现出稳健的性能，并考虑了比例交易成本。

该论文介绍了一种基于强化学习的 Q-Learning Black Scholes 方法，用于期权定价和对冲。该方法将传统的 Black and Scholes 模型与人工智能算法相结合，实现了完全无模型、数据驱动的期权定价和对冲。研究表明，该模型在不同波动率水平和对冲频率下是准确的估计器，并在各种看跌期权价内外都表现出稳健的性能。

该研究发现，电路复杂度下，基于模型和无模型的强化学习在表示复杂度方面存在差异，模型为基础的算法表现更好。