Buchumschlag

Tensor and Matrix Low-Rank Value-Function Approximation in Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rozada, Sergio, Paternain, Santiago, Marques, Antonio G.
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Tensor Low-rank Approximation of Finite-horizon Value Functions
von: Rozada, Sergio, et al.
Veröffentlicht: (2024)

A Tensor Low-Rank Approximation for Value Functions in Multi-Task Reinforcement Learning
von: Rozada, Sergio, et al.
Veröffentlicht: (2025)

Matrix Low-Rank Approximation For Policy Gradient Methods
von: Rozada, Sergio, et al.
Veröffentlicht: (2024)

Matrix Low-Rank Trust Region Policy Optimization
von: Rozada, Sergio, et al.
Veröffentlicht: (2024)

Multilinear Tensor Low-Rank Approximation for Policy-Gradient Methods in Reinforcement Learning
von: Rozada, Sergio, et al.
Veröffentlicht: (2025)

Addressing Finite-Horizon MDPs via Low-Rank Tensor Value Approximation
von: Rozada, Sergio, et al.
Veröffentlicht: (2025)

Low-Rank Tensors for Multi-Dimensional Markov Models
von: Navarro, Madeline, et al.
Veröffentlicht: (2024)

Random Policy Enables In-Context Reinforcement Learning within Trust Horizons
von: Chen, Weiqin, et al.
Veröffentlicht: (2024)

A Multi-resolution Low-rank Tensor Decomposition
von: Rozada, Sergio, et al.
Veröffentlicht: (2024)

Probabilistic Constraint for Safety-Critical Reinforcement Learning
von: Chen, Weiqin, et al.
Veröffentlicht: (2023)

Learning Policy Representations for Steerable Behavior Synthesis
von: Li, Beiming, et al.
Veröffentlicht: (2026)

Graph-Aware Diffusion for Signal Generation
von: Rozada, Sergio, et al.
Veröffentlicht: (2025)

Bellman Unbiasedness: Toward Provably Efficient Distributional Reinforcement Learning with General Value Function Approximation
von: Cho, Taehyun, et al.
Veröffentlicht: (2024)

Low-Rank Tensor Decompositions for the Theory of Neural Networks
von: Borsoi, Ricardo, et al.
Veröffentlicht: (2025)

Low Tensor-Rank Adaptation of Kolmogorov--Arnold Networks
von: Gao, Yihang, et al.
Veröffentlicht: (2025)

Low-Rank Adaptation for Critic Learning in Off-Policy Reinforcement Learning
von: Zhuang, Yuan, et al.
Veröffentlicht: (2026)

Low-Rank GEMM: Efficient Matrix Multiplication via Low-Rank Approximation with FP8 Acceleration
von: Metere, Alfredo
Veröffentlicht: (2025)

Joint Tensor-Train Parameterization for Efficient and Expressive Low-Rank Adaptation
von: Qi, Jun, et al.
Veröffentlicht: (2025)

Rank-1 Approximation of Inverse Fisher for Natural Policy Gradients in Deep Reinforcement Learning
von: Huo, Yingxiao, et al.
Veröffentlicht: (2026)

Adaptive Primal-Dual Method for Safe Reinforcement Learning
von: Chen, Weiqin, et al.
Veröffentlicht: (2024)

Optimal Policy Sparsification and Low Rank Decomposition for Deep Reinforcement Learning
von: Goddla, Vikram
Veröffentlicht: (2024)

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

MetaLoRA: Tensor-Enhanced Adaptive Low-Rank Fine-tuning
von: Wang, Maolin, et al.
Veröffentlicht: (2025)

Ranking-aware Reinforcement Learning for Ordinal Ranking
von: Hao, Aiming, et al.
Veröffentlicht: (2026)

VIPO: Value Function Inconsistency Penalized Offline Reinforcement Learning
von: Chen, Xuyang, et al.
Veröffentlicht: (2025)

LoTR: Low Tensor Rank Weight Adaptation
von: Bershatsky, Daniel, et al.
Veröffentlicht: (2024)

On the Statistical Efficiency of Mean-Field Reinforcement Learning with General Function Approximation
von: Huang, Jiawei, et al.
Veröffentlicht: (2023)

AutoLoRA: Automatically Tuning Matrix Ranks in Low-Rank Adaptation Based on Meta Learning
von: Zhang, Ruiyi, et al.
Veröffentlicht: (2024)

Is Value Functions Estimation with Classification Plug-and-play for Offline Reinforcement Learning?
von: Tarasov, Denis, et al.
Veröffentlicht: (2024)

TLoRA: Tri-Matrix Low-Rank Adaptation of Large Language Models
von: Islam, Tanvir
Veröffentlicht: (2025)

Is there Value in Reinforcement Learning?
von: Fox, Lior, et al.
Veröffentlicht: (2025)

Understanding the Learning Dynamics of LoRA: A Gradient Flow Perspective on Low-Rank Adaptation in Matrix Factorization
von: Xu, Ziqing, et al.
Veröffentlicht: (2025)

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

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

Sample and Oracle Efficient Reinforcement Learning for MDPs with Linearly-Realizable Value Functions
von: Mhammedi, Zakaria
Veröffentlicht: (2024)

Value-Distributional Model-Based Reinforcement Learning
von: Luis, Carlos E., et al.
Veröffentlicht: (2023)

RL for Mitigating Cascading Failures: Targeted Exploration via Sensitivity Factors
von: Dwivedi, Anmol, et al.
Veröffentlicht: (2024)

Tensor Train Low-rank Approximation (TT-LoRA): Democratizing AI with Accelerated LLMs
von: Anjum, Afia, et al.
Veröffentlicht: (2024)

Kernel-Based Function Approximation for Average Reward Reinforcement Learning: An Optimist No-Regret Algorithm
von: Vakili, Sattar, et al.
Veröffentlicht: (2024)

Dynamic Low-rank Approximation of Full-Matrix Preconditioner for Training Generalized Linear Models
von: Matveeva, Tatyana, et al.
Veröffentlicht: (2025)