Buchumschlag

Explainable Reinforcement Learning via a Causal World Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Zhongwei, Ruan, Jingqing, Xing, Dengpeng
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Causal Dynamics Models in Object-Oriented Environments
von: Yu, Zhongwei, et al.
Veröffentlicht: (2024)

Reasoner for Real-World Event Detection: Scaling Reinforcement Learning via Adaptive Perplexity-Aware Sampling Strategy
von: Zhang, Xiaoyun, et al.
Veröffentlicht: (2025)

A Survey on Explainable Deep Reinforcement Learning
von: Cheng, Zelei, et al.
Veröffentlicht: (2025)

Learning Top-k Subtask Planning Tree based on Discriminative Representation Pre-training for Decision Making
von: Ruan, Jingqing, et al.
Veröffentlicht: (2023)

Causal State Distillation for Explainable Reinforcement Learning
von: Lu, Wenhao, et al.
Veröffentlicht: (2023)

Revisiting Entropy Regularization: Adaptive Coefficient Unlocks Its Potential for LLM Reinforcement Learning
von: Zhang, Xiaoyun, et al.
Veröffentlicht: (2025)

PaTaRM: Bridging Pairwise and Pointwise Signals via Preference-Aware Task-Adaptive Reward Modeling
von: Jian, Ai, et al.
Veröffentlicht: (2025)

Object-Centric World Models for Causality-Aware Reinforcement Learning
von: Nishimoto, Yosuke, et al.
Veröffentlicht: (2025)

From Observations to Events: Event-Aware World Model for Reinforcement Learning
von: Peng, Zhao-Han, et al.
Veröffentlicht: (2026)

Explainable Reinforcement Learning via Temporal Policy Decomposition
von: Ruggeri, Franco, et al.
Veröffentlicht: (2025)

BXRL: Behavior-Explainable Reinforcement Learning
von: Rachum, Ram, et al.
Veröffentlicht: (2026)

DreamerAD: Efficient Reinforcement Learning via Latent World Model for Autonomous Driving
von: Yang, Pengxuan, et al.
Veröffentlicht: (2026)

In-Context Reinforcement Learning via Communicative World Models
von: Martinez-Lopez, Fernando, et al.
Veröffentlicht: (2025)

Causal Process Models: Reframing Dynamic Causal Graph Discovery as a Reinforcement Learning Problem
von: Orujlu, Turan, et al.
Veröffentlicht: (2025)

Harnessing Causality in Reinforcement Learning With Bagged Decision Times
von: Gao, Daiqi, et al.
Veröffentlicht: (2024)

Learning Local Causal World Models with State Space Models and Attention
von: Petri, Francesco, et al.
Veröffentlicht: (2025)

JEDI: Joint Embedding Diffusion World Model for Online Model-Based Reinforcement Learning
von: Lim, Jing Yu, et al.
Veröffentlicht: (2026)

Reinforcement Learning from Delayed Observations via World Models
von: Karamzade, Armin, et al.
Veröffentlicht: (2024)

Tackling Non-Stationarity in Reinforcement Learning via Causal-Origin Representation
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2023)

Transferable Delay-Aware Reinforcement Learning via Implicit Causal Graph Modeling
von: Zhao, Chenran, et al.
Veröffentlicht: (2026)

Causal Coordinated Concurrent Reinforcement Learning
von: Tse, Tim, et al.
Veröffentlicht: (2024)

Position: Explainable AI is Causality in Disguise
von: Karimi, Amir-Hossein
Veröffentlicht: (2026)

Learning by Doing: An Online Causal Reinforcement Learning Framework with Causal-Aware Policy
von: Cai, Ruichu, et al.
Veröffentlicht: (2024)

Learning Interactive World Model for Object-Centric Reinforcement Learning
von: Feng, Fan, et al.
Veröffentlicht: (2025)

RLVR-World: Training World Models with Reinforcement Learning
von: Wu, Jialong, et al.
Veröffentlicht: (2025)

Reducing Action Space for Deep Reinforcement Learning via Causal Effect Estimation
von: Liu, Wenzhang, et al.
Veröffentlicht: (2025)

Towards Generalizable Reinforcement Learning via Causality-Guided Self-Adaptive Representations
von: Yang, Yupei, et al.
Veröffentlicht: (2024)

Operator World Models for Reinforcement Learning
von: Novelli, Pietro, et al.
Veröffentlicht: (2024)

TransDreamer: Reinforcement Learning with Transformer World Models
von: Chen, Chang, et al.
Veröffentlicht: (2022)

Exploring the limits of Hierarchical World Models in Reinforcement Learning
von: Schiewer, Robin, et al.
Veröffentlicht: (2024)

Two-way Deconfounder for Off-policy Evaluation in Causal Reinforcement Learning
von: Yu, Shuguang, et al.
Veröffentlicht: (2024)

Rethinking State Disentanglement in Causal Reinforcement Learning
von: Cao, Haiyao, et al.
Veröffentlicht: (2024)

Delay-Empowered Causal Hierarchical Reinforcement Learning
von: Zhao, Chenran, et al.
Veröffentlicht: (2026)

GRACE: A Language Model Framework for Explainable Inverse Reinforcement Learning
von: Sapora, Silvia, et al.
Veröffentlicht: (2025)

Conditional Diffusion Modeling with Attention for Probabilistic Battery Capacity Prediction under Real-World Condition
von: Jiang, Chunlin, et al.
Veröffentlicht: (2025)

SHAP-Guided Kernel Actor-Critic for Explainable Reinforcement Learning
von: Li, Na, et al.
Veröffentlicht: (2025)

CausalCOMRL: Context-Based Offline Meta-Reinforcement Learning with Causal Representation
von: Zhang, Zhengzhe, et al.
Veröffentlicht: (2025)

Goal Discovery with Causal Capacity for Efficient Reinforcement Learning
von: Yu, Yan, et al.
Veröffentlicht: (2025)

MAMBA: an Effective World Model Approach for Meta-Reinforcement Learning
von: Rimon, Zohar, et al.
Veröffentlicht: (2024)

Contextual Latent World Models for Offline Meta Reinforcement Learning
von: Nakheai, Mohammadreza, et al.
Veröffentlicht: (2026)