Buchumschlag

ACTER: Diverse and Actionable Counterfactual Sequences for Explaining and Diagnosing RL Policies

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gajcin, Jasmina, Dusparic, Ivana
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Redefining Counterfactual Explanations for Reinforcement Learning: Overview, Challenges and Opportunities
von: Gajcin, Jasmina, et al.
Veröffentlicht: (2022)

Semifactual Explanations for Reinforcement Learning
von: Gajcin, Jasmina, et al.
Veröffentlicht: (2024)

TREX: Trajectory Explanations for Multi-Objective Reinforcement Learning
von: Rajapakse, Dilina, et al.
Veröffentlicht: (2026)

Adapting the Behavior of Reinforcement Learning Agents to Changing Action Spaces and Reward Functions
von: de la Rosa, Raul, et al.
Veröffentlicht: (2026)

Counterfactual Training: Teaching Models Plausible and Actionable Explanations
von: Altmeyer, Patrick, et al.
Veröffentlicht: (2026)

Continual Reinforcement Learning for Cyber-Physical Systems: Lessons Learned and Open Challenges
von: Nolle, Kim N., et al.
Veröffentlicht: (2025)

Optimistic Exploration for Risk-Averse Constrained Reinforcement Learning
von: McCarthy, James, et al.
Veröffentlicht: (2025)

FACEGroup: Feasible and Actionable Counterfactual Explanations for Group Fairness
von: Fragkathoulas, Christos, et al.
Veröffentlicht: (2024)

Tabular Diffusion based Actionable Counterfactual Explanations for Network Intrusion Detection
von: Galwaduge, Vinura, et al.
Veröffentlicht: (2025)

COOL-MC: Verifying and Explaining RL Policies for Platelet Inventory Management
von: Gross, Dennis
Veröffentlicht: (2026)

Drama: Mamba-Enabled Model-Based Reinforcement Learning Is Sample and Parameter Efficient
von: Wang, Wenlong, et al.
Veröffentlicht: (2024)

RealAC: A Domain-Agnostic Framework for Realistic and Actionable Counterfactual Explanations
von: Arefeen, Asiful, et al.
Veröffentlicht: (2025)

SAFE-RL: Saliency-Aware Counterfactual Explainer for Deep Reinforcement Learning Policies
von: Samadi, Amir, et al.
Veröffentlicht: (2024)

Budgeting Counterfactual for Offline RL
von: Liu, Yao, et al.
Veröffentlicht: (2023)

Soft Policy Optimization: Online Off-Policy RL for Sequence Models
von: Cohen, Taco, et al.
Veröffentlicht: (2025)

COOL-MC: Verifying and Explaining RL Policies for Multi-bridge Network Maintenance
von: Gross, Dennis
Veröffentlicht: (2026)

Explaining RL Decisions with Trajectories
von: Deshmukh, Shripad Vilasrao, et al.
Veröffentlicht: (2023)

Explaining Learned Reward Functions with Counterfactual Trajectories
von: Wehner, Jan, et al.
Veröffentlicht: (2024)

Actionable Counterfactual Explanations Using Bayesian Networks and Path Planning with Applications to Environmental Quality Improvement
von: Valero-Leal, Enrique, et al.
Veröffentlicht: (2025)

KTCF: Actionable Recourse in Knowledge Tracing via Counterfactual Explanations for Education
von: Kim, Woojin, et al.
Veröffentlicht: (2026)

On Minimizing Adversarial Counterfactual Error in Adversarial RL
von: Belaire, Roman, et al.
Veröffentlicht: (2024)

Explaining Concept Drift through the Evolution of Group Counterfactuals
von: Stępka, Ignacy, et al.
Veröffentlicht: (2025)

Explaining k-Nearest Neighbors: Abductive and Counterfactual Explanations
von: Barceló, Pablo, et al.
Veröffentlicht: (2025)

Robust Policy Expansion for Offline-to-Online RL under Diverse Data Corruption
von: He, Longxiang, et al.
Veröffentlicht: (2025)

Who Sees the Risk? Stakeholder Conflicts and Explanatory Policies in LLM-based Risk Assessment
von: Yadav, Srishti, et al.
Veröffentlicht: (2025)

The Effective Horizon Explains Deep RL Performance in Stochastic Environments
von: Laidlaw, Cassidy, et al.
Veröffentlicht: (2023)

Explaining Fine Tuned LLMs via Counterfactuals A Knowledge Graph Driven Framework
von: Wang, Yucheng, et al.
Veröffentlicht: (2025)

General Flexible $f$-divergence for Challenging Offline RL Datasets with Low Stochasticity and Diverse Behavior Policies
von: Wang, Jianxun, et al.
Veröffentlicht: (2026)

Policy Agnostic RL: Offline RL and Online RL Fine-Tuning of Any Class and Backbone
von: Mark, Max Sobol, et al.
Veröffentlicht: (2024)

Out-of-Distribution Adaptation in Offline RL: Counterfactual Reasoning via Causal Normalizing Flows
von: Cho, Minjae, et al.
Veröffentlicht: (2024)

MambaLRP: Explaining Selective State Space Sequence Models
von: Jafari, Farnoush Rezaei, et al.
Veröffentlicht: (2024)

Partial Policy Gradients for RL in LLMs
von: Mathur, Puneet, et al.
Veröffentlicht: (2026)

UniCoMTE: A Universal Counterfactual Framework for Explaining Time-Series Classifiers on ECG Data
von: Li, Justin, et al.
Veröffentlicht: (2025)

Diversity Progress for Goal Selection in Discriminability-Motivated RL
von: Lintunen, Erik M., et al.
Veröffentlicht: (2024)

Scalable Policy-Based RL Algorithms for POMDPs
von: Anjarlekar, Ameya, et al.
Veröffentlicht: (2025)

Trustworthy Actionable Perturbations
von: Friedbaum, Jesse, et al.
Veröffentlicht: (2024)

Learning Nonlinear Causal Reductions to Explain Reinforcement Learning Policies
von: Kekić, Armin, et al.
Veröffentlicht: (2025)

Formally Verifying and Explaining Sepsis Treatment Policies with COOL-MC
von: Gross, Dennis
Veröffentlicht: (2026)

PUPAE: Intuitive and Actionable Explanations for Time Series Anomalies
von: Der, Audrey, et al.
Veröffentlicht: (2024)

Kernel Metric Learning for In-Sample Off-Policy Evaluation of Deterministic RL Policies
von: Lee, Haanvid, et al.
Veröffentlicht: (2024)