强化学习
突破级
有讲解视频
收录解读
这篇论文解决的是模型驱动强化学习里的两个长期痛点：样本效率和可解释性。传统 DRL 在控制问题上可以学出很强策略，但往往需要大量交互数据，而且最终策略和动力学都被埋进黑盒神经网络里，不利于信任、部署和科学理解。作者试图把稀疏动力学发现和强化学习接到一起，让控制系统既学得动，又看得懂。
方法上的核心是把 SINDy 这一类稀疏字典学习方法引入强化学习流程，用统一框架去学习可解释的动力学模型、奖励函数和控制策略。论文不是单点替换网络模块，而是提出一条明确路线：在低数据区间用稀疏符号化表示替代大而黑盒的近似器，从而同时降低训练成本和部署复杂度。
它适合进入仓库，因为这是一篇对 model-based RL 和 scientific control 都有外溢价值的强方法论文。对需要高样本效率、可解释控制律和嵌入式部署的场景，例如流体控制、物理系统控制和工程优化，这条路线都很实用。它也把可解释机器学习从分析层推进到了策略与动力学联合建模层。
它没有更高一级，因为影响范围目前仍主要集中在可解释控制和特定 model-based RL 场景，而不是重写整个强化学习主线。更准确地说，这是一篇很扎实、很有复用价值的交叉方法论文，但还没有达到改变大范围 RL 研究默认范式的程度。