Amplifying Exploration in Monte-Carlo Tree Search by Focusing on the Unknown

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Derstroff, Cedric, Brugger, Jannis, Blüml, Jannis, Mezini, Mira, Kramer, Stefan, Kersting, Kristian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptable Hindsight Experience Replay for Search-Based Learning
von: Vazaios, Alexandros, et al.
Veröffentlicht: (2025)

Neural-Guided Equation Discovery
von: Brugger, Jannis, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning via Object-Centric Attention
von: Blüml, Jannis, et al.
Veröffentlicht: (2025)

Polynomial Regret Concentration of UCB for Non-Deterministic State Transitions
von: Cömer, Can, et al.
Veröffentlicht: (2025)

Peer Learning: Learning Complex Policies in Groups from Scratch via Action Recommendations
von: Derstroff, Cedric, et al.
Veröffentlicht: (2023)

Boosting deep Reinforcement Learning using pretraining with Logical Options
von: Ye, Zihan, et al.
Veröffentlicht: (2026)

Representation Matters for Mastering Chess: Improved Feature Representation in AlphaZero Outperforms Switching to Transformers
von: Czech, Johannes, et al.
Veröffentlicht: (2023)

HackAtari: Atari Learning Environments for Robust and Continual Reinforcement Learning
von: Delfosse, Quentin, et al.
Veröffentlicht: (2024)

OCAtari: Object-Centric Atari 2600 Reinforcement Learning Environments
von: Delfosse, Quentin, et al.
Veröffentlicht: (2023)

Better Decisions through the Right Causal World Model
von: Dillies, Elisabeth, et al.
Veröffentlicht: (2025)

Prompting Neural-Guided Equation Discovery Based on Residuals
von: Brugger, Jannis, et al.
Veröffentlicht: (2025)

Automated Scientific Discovery: From Equation Discovery to Autonomous Discovery Systems
von: Kramer, Stefan, et al.
Veröffentlicht: (2023)

Deep Reinforcement Learning Agents are not even close to Human Intelligence
von: Delfosse, Quentin, et al.
Veröffentlicht: (2025)

Monte Carlo Search Algorithms Discovering Monte Carlo Tree Search Exploration Terms
von: Cazenave, Tristan
Veröffentlicht: (2024)

Checkmating One, by Using Many: Combining Mixture of Experts with MCTS to Improve in Chess
von: Helfenstein, Felix, et al.
Veröffentlicht: (2024)

Monte Carlo Tree Search with Boltzmann Exploration
von: Painter, Michael, et al.
Veröffentlicht: (2024)

CodeSSM: Towards State Space Models for Code Understanding
von: Verma, Shweta, et al.
Veröffentlicht: (2025)

Integrating Symbolic Execution into the Fine-Tuning of Code-Generating LLMs
von: Sakharova, Marina, et al.
Veröffentlicht: (2025)

OCALM: Object-Centric Assessment with Language Models
von: Kaufmann, Timo, et al.
Veröffentlicht: (2024)

Monte Carlo Tree Search for Comprehensive Exploration in LLM-Based Automatic Heuristic Design
von: Zheng, Zhi, et al.
Veröffentlicht: (2025)

Towards Understanding What State Space Models Learn About Code
von: Wu, Jiali, et al.
Veröffentlicht: (2026)

Efficient Post-training of LLMs for Code Generation With Offline Reinforcement Learning
von: Wu, Mingze, et al.
Veröffentlicht: (2026)

Problem Solving Through Human-AI Preference-Based Cooperation
von: Dutta, Subhabrata, et al.
Veröffentlicht: (2024)

Evaluating and Mitigating Errors in LLM-Generated Web API Integrations
von: Maninger, Daniel, et al.
Veröffentlicht: (2025)

Analysis of Long Range Dependency Understanding in State Space Models
von: Ravikumar, Srividya, et al.
Veröffentlicht: (2026)

Focused Chain-of-Thought: Efficient LLM Reasoning via Structured Input Information
von: Struppek, Lukas, et al.
Veröffentlicht: (2025)

Epistemic Monte Carlo Tree Search
von: Oren, Yaniv, et al.
Veröffentlicht: (2022)

How Susceptible are LLMs to Influence in Prompts?
von: Anagnostidis, Sotiris, et al.
Veröffentlicht: (2024)

Generalized Proof-Number Monte-Carlo Tree Search
von: Kowalski, Jakub, et al.
Veröffentlicht: (2025)

Proof Number Based Monte-Carlo Tree Search
von: Kowalski, Jakub, et al.
Veröffentlicht: (2023)

A Critical Study of What Code-LLMs (Do Not) Learn
von: Anand, Abhinav, et al.
Veröffentlicht: (2024)

Towards a Characterisation of Monte-Carlo Tree Search Performance in Different Games
von: Soemers, Dennis J. N. J., et al.
Veröffentlicht: (2024)

Interpretable end-to-end Neurosymbolic Reinforcement Learning agents
von: Grandien, Nils, et al.
Veröffentlicht: (2024)

Learning from Less: Guiding Deep Reinforcement Learning with Differentiable Symbolic Planning
von: Ye, Zihan, et al.
Veröffentlicht: (2025)

Array-Based Monte Carlo Tree Search
von: Ragan, James, et al.
Veröffentlicht: (2025)

Lookahead Pathology in Monte-Carlo Tree Search
von: Nguyen, Khoi P. N., et al.
Veröffentlicht: (2022)

Twice Sequential Monte Carlo for Tree Search
von: Oren, Yaniv, et al.
Veröffentlicht: (2025)

Doubly Robust Monte Carlo Tree Search
von: Liu, Manqing, et al.
Veröffentlicht: (2025)

Combining Monte Carlo Tree Search and Heuristic Search for Weighted Vertex Coloring
von: Grelier, Cyril, et al.
Veröffentlicht: (2023)

Surrogate Assisted Monte Carlo Tree Search in Combinatorial Optimization
von: Amiri, Saeid, et al.
Veröffentlicht: (2024)