该研究探讨了视觉地点识别中的重排序问题，提出三种无模型方法，利用深度学习提取局部特征，展现出在外观变化下的鲁棒性。实验结果表明，这些方法与先进技术相当，验证了无模型方法的可行性。

该研究论文探讨了强化学习在约束条件下的模型方法和无模型方法，分析了乐观和后验取样的基础方法以及参数化模型无关方法，并提供了遗憾保证和约束违规分析。同时，还研究了弱通信随机决策过程的结果。

该综述论文介绍了数据驱动技术在固体无路径依赖响应的本构法则中的应用。方法分为基于机器学习和无模型方法，并根据解释能力和所需数据学习过程/类型进一步分类。同时讨论了一般化和可信性的关键问题，并提供了解决这些问题的路线图。

本文提出了一种无模型方法，通过在一维贝尔曼算子中建模不确定性，引入贝叶斯探索网络 (BEN)，通过正态化流来建模贝尔曼算子中的不确定性，并通过变分推断来建模知识性不确定性。实验结果表明，BEN 可以在无模型方法失败的任务中学习到真正的贝叶斯最优策略。