蒙特卡洛树扩散（MCTD）结合了蒙特卡洛树搜索与扩散模型，有效解决了扩散模型在长程推理中的可扩展性问题。在迷宫导航等任务中，MCTD的成功率接近100%。为提高效率，研究团队推出了快速MCTD，使推理速度提升100倍，显著降低计算开销。
本研究提出了耦合层次扩散（CHD）框架，旨在提升复杂长任务中的扩散规划效果。通过联合建模高层次目标选择与低层次轨迹生成，CHD在迷宫导航、桌面操作和家庭环境等场景中表现优于传统方法。
AIxiv专栏促进学术交流，报道2000多篇研究。研究团队提出自然语言强化学习（NLRL），将传统强化学习与自然语言结合，提升AI决策能力。NLRL通过语言反馈和透明决策过程，解决复杂场景中的学习瓶颈，在迷宫导航、突破棋和井字棋等任务中表现优越。
本文介绍了Drop-Bottleneck方法，用于离散删除与目标变量无关的特征，提供确定性压缩表示和学习特征提取器和选择器。在迷宫导航任务中，Drop-Bottleneck的探索方法表现出最先进的性能，对抗鲁棒性和降维方面优于VIB。
完成下面两步后，将自动完成登录并继续当前操作。
