Buchumschlag

Nonstationary Reinforcement Learning with Linear Function Approximation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhou, Huozhi, Chen, Jinglin, Varshney, Lav R., Jagmohan, Ashish
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Online Reinforcement Learning with Passive Memory
von: Pattanaik, Anay, et al.
Veröffentlicht: (2024)

SparseJEPA: Sparse Representation Learning of Joint Embedding Predictive Architectures
von: Hartman, Max, et al.
Veröffentlicht: (2025)

A Meta-Learning Perspective on Transformers for Causal Language Modeling
von: Wu, Xinbo, et al.
Veröffentlicht: (2023)

Federated Learning via Lattice Joint Source-Channel Coding
von: Azimi-Abarghouyi, Seyed Mohammad, et al.
Veröffentlicht: (2024)

Compute-Update Federated Learning: A Lattice Coding Approach Over-the-Air
von: Azimi-Abarghouyi, Seyed Mohammad, et al.
Veröffentlicht: (2024)

Replicable Reinforcement Learning with Linear Function Approximation
von: Eaton, Eric, et al.
Veröffentlicht: (2025)

Optimal Guarantees for Auditing Rényi Differentially Private Machine Learning
von: Kim, Benjamin D., et al.
Veröffentlicht: (2026)

Reinforcement Learning with Function Approximation: From Linear to Nonlinear
von: Long, Jihao, et al.
Veröffentlicht: (2023)

Efficient Model-Agnostic Multi-Group Equivariant Networks
von: Baltaji, Razan, et al.
Veröffentlicht: (2023)

CAETC: Causal Autoencoding and Treatment Conditioning for Counterfactual Estimation over Time
von: Nguyen, Nghia D., et al.
Veröffentlicht: (2026)

Federated Nonlinear System Identification
von: Tupe, Omkar, et al.
Veröffentlicht: (2025)

Continual Generalized Category Discovery: Learning and Forgetting from a Bayesian Perspective
von: Dai, Hao, et al.
Veröffentlicht: (2025)

Distributionally Robust Off-Dynamics Reinforcement Learning: Provable Efficiency with Linear Function Approximation
von: Liu, Zhishuai, et al.
Veröffentlicht: (2024)

Gap-Dependent Bounds for Nearly Minimax Optimal Reinforcement Learning with Linear Function Approximation
von: Zhang, Haochen, et al.
Veröffentlicht: (2026)

Adaptive Linear Embedding for Nonstationary High-Dimensional Optimization
von: Wen, Yuejiang, et al.
Veröffentlicht: (2025)

Beyond Pooling: Matching for Robust Generalization under Data Heterogeneity
von: Roy, Ayush, et al.
Veröffentlicht: (2026)

The Role of Inherent Bellman Error in Offline Reinforcement Learning with Linear Function Approximation
von: Golowich, Noah, et al.
Veröffentlicht: (2024)

Linear Function Approximation as a Computationally Efficient Method to Solve Classical Reinforcement Learning Challenges
von: Srikanth, Hari
Veröffentlicht: (2024)

A Theory of Inference Compute Scaling: Reasoning through Directed Stochastic Skill Search
von: Ellis-Mohr, Austin R., et al.
Veröffentlicht: (2025)

Provably Efficient Reinforcement Learning with Multinomial Logit Function Approximation
von: Li, Long-Fei, et al.
Veröffentlicht: (2024)

Nonstationary Generalized Linear Bandits with Discounted Online Mirror Descent
von: Lee, Joongkyu, et al.
Veröffentlicht: (2026)

ViRN: Variational Inference and Distribution Trilateration for Long-Tailed Continual Representation Learning
von: Dai, Hao, et al.
Veröffentlicht: (2025)

Towards Differentially Private Reinforcement Learning with General Function Approximation
von: He, Yi, et al.
Veröffentlicht: (2026)

Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency
von: Cai, Qi, et al.
Veröffentlicht: (2022)

Learning When to Restart: Nonstationary Newsvendor from Uncensored to Censored Demand
von: Chen, Xin, et al.
Veröffentlicht: (2025)

Provable Risk-Sensitive Distributional Reinforcement Learning with General Function Approximation
von: Chen, Yu, et al.
Veröffentlicht: (2024)

Strategically Robust Multi-Agent Reinforcement Learning with Linear Function Approximation
von: Gonzales, Jake, et al.
Veröffentlicht: (2026)

Causal Temporal Representation Learning with Nonstationary Sparse Transition
von: Song, Xiangchen, et al.
Veröffentlicht: (2024)

Sample and Computationally Efficient Continuous-Time Reinforcement Learning with General Function Approximation
von: Zhao, Runze, et al.
Veröffentlicht: (2025)

Adaptive Resolving Methods for Reinforcement Learning with Function Approximations
von: Jiang, Jiashuo, et al.
Veröffentlicht: (2025)

Online Robust Reinforcement Learning with General Function Approximation
von: Ghosh, Debamita, et al.
Veröffentlicht: (2025)

Nonstationary Sparse Spectral Permanental Process
von: Sun, Zicheng, et al.
Veröffentlicht: (2024)

Statistical Inference for Temporal Difference Learning with Linear Function Approximation
von: Wu, Weichen, et al.
Veröffentlicht: (2024)

Accelerated Distributional Temporal Difference Learning with Linear Function Approximation
von: Jin, Kaicheng, et al.
Veröffentlicht: (2025)

Convergence of Distributionally Robust Q-Learning with Linear Function Approximation
von: Mandal, Saptarshi, et al.
Veröffentlicht: (2025)

Explore-then-Commit for Nonstationary Linear Bandits with Latent Dynamics
von: Choi, Sunmook, et al.
Veröffentlicht: (2025)

Corruption-Robust Offline Reinforcement Learning with General Function Approximation
von: Ye, Chenlu, et al.
Veröffentlicht: (2023)

Model-Based Reinforcement Learning with Multinomial Logistic Function Approximation
von: Hwang, Taehyun, et al.
Veröffentlicht: (2022)

Randomized Exploration for Reinforcement Learning with Multinomial Logistic Function Approximation
von: Cho, Wooseong, et al.
Veröffentlicht: (2024)

RL as Regressor: A Reinforcement Learning Approach for Function Approximation
von: Huang, Yongchao
Veröffentlicht: (2025)