Ada-Diffuser：面向决策的潜在感知自适应扩散模型

近期研究已将决策问题框架为使用扩散模型等生成模型的序列建模问题。尽管前景广阔，但这些方法常常忽略了表现出演化动态的潜在因素，而这些因素对于环境转换、奖励结构和高层智能体行为至关重要。对这些隐过程进行显式建模，对于精确的动态建模和有效的决策都不可或缺。本文中，我们提出了一个统一框架，该框架从最少但充分的观测中，将潜在动态推断显式地融入生成式决策。我们从理论上证明，在温和条件下，潜在过程可以从小的观测时间块中识别出来。基于这一见解，我们引入了Ada-Diffuser，这是一种因果扩散模型，能够同时学习观测交互的时间结构和底层的潜在动态，并进一步利用它们进行规划和控制。凭借模块化设计，Ada-Diffuser支持规划与策略学习任务，能够适应动态、奖励和潜在动作中的潜在变化。在仿真控制和机器人基准测试上的实验，证明了其在精确潜在推断和自适应策略学习方面的有效性。