Buchumschlag

Improving Reinforcement Learning Efficiency with Auxiliary Tasks in Non-Visual Environments: A Comparison

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lange, Moritz, Krystiniak, Noah, Engelhardt, Raphael C., Konen, Wolfgang, Wiskott, Laurenz
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Putting the Iterative Training of Decision Trees to the Test on a Real-World Robotic Task
von: Engelhardt, Raphael C., et al.
Veröffentlicht: (2024)

Interpretable Brain-Inspired Representations Improve RL Performance on Visual Navigation Tasks
von: Lange, Moritz, et al.
Veröffentlicht: (2024)

Object-centric Denoising Diffusion Models for Physical Reasoning
von: Lange, Moritz, et al.
Veröffentlicht: (2025)

ChatGPT Code Detection: Techniques for Uncovering the Source of Code
von: Oedingen, Marc, et al.
Veröffentlicht: (2024)

Improving Continual Learning Performance and Efficiency with Auxiliary Classifiers
von: Szatkowski, Filip, et al.
Veröffentlicht: (2024)

Reinforcement Learning via Auxiliary Task Distillation
von: Harish, Abhinav Narayan, et al.
Veröffentlicht: (2024)

Understanding Transformer-based Vision Models through Inversion
von: Rathjens, Jan, et al.
Veröffentlicht: (2024)

Why and How Auxiliary Tasks Improve JEPA Representations
von: Yu, Jiacan, et al.
Veröffentlicht: (2025)

Effects of Distributional Biases on Gradient-Based Causal Discovery in the Bivariate Categorical Case
von: Schwabe, Tim, et al.
Veröffentlicht: (2025)

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

TIMRL: A Novel Meta-Reinforcement Learning Framework for Non-Stationary and Multi-Task Environments
von: Qi, Chenyang, et al.
Veröffentlicht: (2025)

Subgoal-based Reward Shaping to Improve Efficiency in Reinforcement Learning
von: Okudo, Takato, et al.
Veröffentlicht: (2021)

Robust Model-Based Reinforcement Learning with an Adversarial Auxiliary Model
von: Herremans, Siemen, et al.
Veröffentlicht: (2024)

Enhancing Molecular Property Prediction with Auxiliary Learning and Task-Specific Adaptation
von: Dey, Vishal, et al.
Veröffentlicht: (2024)

PeersimGym: An Environment for Solving the Task Offloading Problem with Reinforcement Learning
von: Metelo, Frederico, et al.
Veröffentlicht: (2024)

Slow Feature Analysis as Variational Inference Objective
von: Schüler, Merlin, et al.
Veröffentlicht: (2025)

Classification and Reconstruction Processes in Deep Predictive Coding Networks: Antagonists or Allies?
von: Rathjens, Jan, et al.
Veröffentlicht: (2024)

What is the relation between Slow Feature Analysis and the Successor Representation?
von: Seabrook, Eddie, et al.
Veröffentlicht: (2024)

Online Reinforcement Learning in Non-Stationary Context-Driven Environments
von: Hamadanian, Pouya, et al.
Veröffentlicht: (2023)

How Ensembles of Distilled Policies Improve Generalisation in Reinforcement Learning
von: Weltevrede, Max, et al.
Veröffentlicht: (2025)

Forecasting in Offline Reinforcement Learning for Non-stationary Environments
von: Ada, Suzan Ece, et al.
Veröffentlicht: (2025)

Continual Reinforcement Learning via Autoencoder-Driven Task and New Environment Recognition
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

Representation Learning of Auxiliary Concepts for Improved Student Modeling and Exercise Recommendation
von: Badran, Yahya, et al.
Veröffentlicht: (2025)

Kernel Density Bayesian Inverse Reinforcement Learning
von: Mandyam, Aishwarya, et al.
Veröffentlicht: (2023)

Action Mapping for Reinforcement Learning in Continuous Environments with Constraints
von: Theile, Mirco, et al.
Veröffentlicht: (2024)

Is Hierarchical Quantization Essential for Optimal Reconstruction?
von: Reyhanian, Shirin, et al.
Veröffentlicht: (2026)

Enhancing Recommendation with Denoising Auxiliary Task
von: Liu, Pengsheng, et al.
Veröffentlicht: (2024)

Accelerated Online Reinforcement Learning using Auxiliary Start State Distributions
von: Mehra, Aman, et al.
Veröffentlicht: (2025)

Search-Based Adversarial Estimates for Improving Sample Efficiency in Off-Policy Reinforcement Learning
von: Malato, Federico, et al.
Veröffentlicht: (2025)

Exploiting Contextual Structure to Generate Useful Auxiliary Tasks
von: Quartey, Benedict, et al.
Veröffentlicht: (2023)

Linear Bellman Completeness Suffices for Efficient Online Reinforcement Learning with Few Actions
von: Golowich, Noah, et al.
Veröffentlicht: (2024)

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

A Reinforcement Learning-Based Task Mapping Method to Improve the Reliability of Clustered Manycores
von: Hossein-Khani, Fatemeh, et al.
Veröffentlicht: (2024)

Using Self-Supervised Auxiliary Tasks to Improve Fine-Grained Facial Representation
von: Pourmirzaei, Mahdi, et al.
Veröffentlicht: (2021)

Bridging the Sim-to-Real Gap in Reinforcement Learning-Based Industrial Dispatching through Execution Semantics
von: Hoss, Jonathan, et al.
Veröffentlicht: (2026)

Task Scheduling & Forgetting in Multi-Task Reinforcement Learning
von: Speckmann, Marc, et al.
Veröffentlicht: (2025)

GenCircuit-RL: Reinforcement Learning from Hierarchical Verification for Genetic Circuit Design
von: Flynn, Noah
Veröffentlicht: (2026)

Environment Design for Inverse Reinforcement Learning
von: Buening, Thomas Kleine, et al.
Veröffentlicht: (2022)

Boosting Reinforcement Learning with Strongly Delayed Feedback Through Auxiliary Short Delays
von: Wu, Qingyuan, et al.
Veröffentlicht: (2024)

A Production Scheduling Framework for Reinforcement Learning Under Real-World Constraints
von: Hoss, Jonathan, et al.
Veröffentlicht: (2025)