Buchumschlag

Understanding when Dynamics-Invariant Data Augmentations Benefit Model-Free Reinforcement Learning Updates

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Corrado, Nicholas E., Hanna, Josiah P.
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

On-Policy Policy Gradient Reinforcement Learning Without On-Policy Sampling
von: Corrado, Nicholas E., et al.
Veröffentlicht: (2023)

Guided Data Augmentation for Offline Reinforcement Learning and Imitation Learning
von: Corrado, Nicholas E., et al.
Veröffentlicht: (2023)

Distributionally Robust Multi-Task Reinforcement Learning via Adaptive Task Sampling
von: Corrado, Nicholas E., et al.
Veröffentlicht: (2026)

Centralized Adaptive Sampling for Reliable Co-Training of Independent Multi-Agent Policies
von: Corrado, Nicholas E., et al.
Veröffentlicht: (2025)

When Can Model-Free Reinforcement Learning be Enough for Thinking?
von: Hanna, Josiah P., et al.
Veröffentlicht: (2025)

Learning to Stabilize Online Reinforcement Learning in Unbounded State Spaces
von: Pavse, Brahma S., et al.
Veröffentlicht: (2023)

SaVeR: Optimal Data Collection Strategy for Safe Policy Evaluation in Tabular MDP
von: Mukherjee, Subhojyoti, et al.
Veröffentlicht: (2024)

Adaptive Exploration for Data-Efficient General Value Function Evaluations
von: Jain, Arushi, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Control of Non-Markovian Cellular Population Dynamics
von: Kratz, Josiah C., et al.
Veröffentlicht: (2024)

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

Pretraining Decision Transformers with Reward Prediction for In-Context Multi-task Structured Bandit Learning
von: Mukherjee, Subhojyoti, et al.
Veröffentlicht: (2024)

Stable Offline Value Function Learning with Bisimulation-based Representations
von: Pavse, Brahma S., et al.
Veröffentlicht: (2024)

Sparsely Multimodal Data Fusion
von: Bjorgaard, Josiah
Veröffentlicht: (2024)

Adversarial Label Invariant Graph Data Augmentations for Out-of-Distribution Generalization
von: Zhang, Simon, et al.
Veröffentlicht: (2026)

SPEED: Experimental Design for Policy Evaluation in Linear Heteroscedastic Bandits
von: Mukherjee, Subhojyoti, et al.
Veröffentlicht: (2023)

MAD-TD: Model-Augmented Data stabilizes High Update Ratio RL
von: Voelcker, Claas A, et al.
Veröffentlicht: (2024)

On the Benefit of Optimal Transport for Curriculum Reinforcement Learning
von: Klink, Pascal, et al.
Veröffentlicht: (2023)

Augmentation Invariant Manifold Learning
von: Wang, Shulei
Veröffentlicht: (2022)

Copy-Augmented Representation for Structure Invariant Template-Free Retrosynthesis
von: Zhuang, Jiaxi, et al.
Veröffentlicht: (2025)

Reviving Stale Updates: Data-Free Knowledge Distillation for Asynchronous Federated Learning
von: Askin, Baris, et al.
Veröffentlicht: (2025)

Model-Based Offline Reinforcement Learning with Adversarial Data Augmentation
von: Cao, Hongye, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Graph Coloring: Understanding the Power and Limits of Non-Label Invariant Representations
von: Cummins, Chase, et al.
Veröffentlicht: (2024)

Understanding the Generalization Benefits of Late Learning Rate Decay
von: Ren, Yinuo, et al.
Veröffentlicht: (2024)

Through the River: Understanding the Benefit of Schedule-Free Methods for Language Model Training
von: Song, Minhak, et al.
Veröffentlicht: (2025)

T-JEPA: Augmentation-Free Self-Supervised Learning for Tabular Data
von: Thimonier, Hugo, et al.
Veröffentlicht: (2024)

Trajectory-Level Data Augmentation for Offline Reinforcement Learning
von: Schmähling, Tobias, et al.
Veröffentlicht: (2026)

An Analysis of Causal Effect Estimation using Outcome Invariant Data Augmentation
von: Akbar, Uzair, et al.
Veröffentlicht: (2025)

An Empirical Study on the Power of Future Prediction in Partially Observable Environments
von: Kwon, Jeongyeol, et al.
Veröffentlicht: (2024)

Fundamental Benefit of Alternating Updates in Minimax Optimization
von: Lee, Jaewook, et al.
Veröffentlicht: (2024)

Towards Understanding the Benefit of Multitask Representation Learning in Decision Process
von: Lu, Rui, et al.
Veröffentlicht: (2025)

SiT: Symmetry-Invariant Transformers for Generalisation in Reinforcement Learning
von: Weissenbacher, Matthias, et al.
Veröffentlicht: (2024)

Less is More: Convergence Benefits of Fewer Data Weight Updates over Longer Horizon
von: Das, Rudrajit, et al.
Veröffentlicht: (2026)

Optimized Local Updates in Federated Learning via Reinforcement Learning
von: Murad, Ali, et al.
Veröffentlicht: (2025)

Model-Free Active Exploration in Reinforcement Learning
von: Russo, Alessio, et al.
Veröffentlicht: (2024)

Intentional Updates for Streaming Reinforcement Learning
von: Sharifnassab, Arsalan, et al.
Veröffentlicht: (2026)

On the Benefits of Active Data Collection in Operator Learning
von: Subedi, Unique, et al.
Veröffentlicht: (2024)

Edge Contrastive Learning: An Augmentation-Free Graph Contrastive Learning Model
von: Li, Yujun, et al.
Veröffentlicht: (2024)

Demystifying the Paradox of Importance Sampling with an Estimated History-Dependent Behavior Policy in Off-Policy Evaluation
von: Zhou, Hongyi, et al.
Veröffentlicht: (2025)

Model-Free Robust $ϕ$-Divergence Reinforcement Learning Using Both Offline and Online Data
von: Panaganti, Kishan, et al.
Veröffentlicht: (2024)

Black-Box Combinatorial Optimization with Order-Invariant Reinforcement Learning
von: Goudet, Olivier, et al.
Veröffentlicht: (2025)