Copertina

Belief-Enriched Pessimistic Q-Learning against Adversarial State Perturbations

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Sun, Xiaolin, Zheng, Zizhan
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Diffusion Guided Adversarial State Perturbations in Reinforcement Learning
di: Sun, Xiaolin, et al.
Pubblicazione: (2025)

Robust Optimization for Mitigating Reward Hacking with Correlated Proxies
di: Liu, Zixuan, et al.
Pubblicazione: (2026)

Enhancing LLM Safety via Constrained Direct Preference Optimization
di: Liu, Zixuan, et al.
Pubblicazione: (2024)

Optimistic Policy Learning under Pessimistic Adversaries with Regret and Violation Guarantees
di: Ganguly, Sourav, et al.
Pubblicazione: (2026)

Learning a Pessimistic Reward Model in RLHF
di: Xu, Yinglun, et al.
Pubblicazione: (2025)

Pessimistic Causal Reinforcement Learning with Mediators for Confounded Offline Data
di: Wang, Danyang, et al.
Pubblicazione: (2024)

Perturbation-based Graph Active Learning for Weakly-Supervised Belief Representation Learning
di: Sun, Dachun, et al.
Pubblicazione: (2024)

Pessimistic Risk-Aware Policy Learning in Contextual Bandits
di: Wan, Yilong, et al.
Pubblicazione: (2026)

Contrasting Adversarial Perturbations: The Space of Harmless Perturbations
di: Chen, Lu, et al.
Pubblicazione: (2024)

Democratic Training Against Universal Adversarial Perturbations
di: Sun, Bing, et al.
Pubblicazione: (2025)

Logarithmic Smoothing for Pessimistic Off-Policy Evaluation, Selection and Learning
di: Sakhi, Otmane, et al.
Pubblicazione: (2024)

Meta Stackelberg Game: Robust Federated Learning against Adaptive and Mixed Poisoning Attacks
di: Li, Tao, et al.
Pubblicazione: (2024)

Pessimistic Backward Policy for GFlowNets
di: Jang, Hyosoon, et al.
Pubblicazione: (2024)

Distributed Learning with Adversarial Gradient Perturbations
di: Sangsiri, Nawapon, et al.
Pubblicazione: (2026)

Pessimistic Off-Policy Optimization for Learning to Rank
di: Cief, Matej, et al.
Pubblicazione: (2022)

Hyperparameter Tuning Through Pessimistic Bilevel Optimization
di: Ustun, Meltem Apaydin, et al.
Pubblicazione: (2024)

Certified Robustness against Sparse Adversarial Perturbations via Data Localization
di: Pal, Ambar, et al.
Pubblicazione: (2024)

Towards Robust Deep Reinforcement Learning against Environmental State Perturbation
di: Wang, Chenxu, et al.
Pubblicazione: (2025)

Defending Quantum Classifiers against Adversarial Perturbations through Quantum Autoencoders
di: Andrews, Emma, et al.
Pubblicazione: (2026)

Constrained Adversarial Perturbation
di: Nishad, Virendra, et al.
Pubblicazione: (2025)

Optimistic Model Rollouts for Pessimistic Offline Policy Optimization
di: Zhai, Yuanzhao, et al.
Pubblicazione: (2024)

A Case for Validation Buffer in Pessimistic Actor-Critic
di: Nauman, Michal, et al.
Pubblicazione: (2024)

Pessimistic Nonlinear Least-Squares Value Iteration for Offline Reinforcement Learning
di: Di, Qiwei, et al.
Pubblicazione: (2023)

Conservative DDPG -- Pessimistic RL without Ensemble
di: Soffair, Nitsan, et al.
Pubblicazione: (2024)

Pessimistic Iterative Planning with RNNs for Robust POMDPs
di: Galesloot, Maris F. L., et al.
Pubblicazione: (2024)

Fair Algorithms with Probing for Multi-Agent Multi-Armed Bandits
di: Xu, Tianyi, et al.
Pubblicazione: (2025)

Pessimistic Value Iteration for Multi-Task Data Sharing in Offline Reinforcement Learning
di: Bai, Chenjia, et al.
Pubblicazione: (2024)

Uniform Pessimistic Risk and its Optimal Portfolio
di: Hong, Sungchul, et al.
Pubblicazione: (2023)

Improving Transformation-based Defenses against Adversarial Examples with First-order Perturbations
di: Zhang, Haimin, et al.
Pubblicazione: (2021)

Pessimistic asynchronous sampling in high-cost Bayesian optimization
di: Volk, Amanda A., et al.
Pubblicazione: (2024)

On the Effects of Adversarial Perturbations on Distribution Robustness
di: Wang, Yipei, et al.
Pubblicazione: (2026)

Diverse Randomized Value Functions: A Provably Pessimistic Approach for Offline Reinforcement Learning
di: Yu, Xudong, et al.
Pubblicazione: (2024)

Feasibility-Aware Pessimistic Estimation: Toward Long-Horizon Safety in Offline RL
di: Tao, Zhikun
Pubblicazione: (2025)

Theoretical Understanding of Learning from Adversarial Perturbations
di: Kumano, Soichiro, et al.
Pubblicazione: (2024)

Belief-State RWKV for Reinforcement Learning under Partial Observability
di: Xiao, Liu
Pubblicazione: (2026)

T-CIL: Temperature Scaling using Adversarial Perturbation for Calibration in Class-Incremental Learning
di: Hwang, Seong-Hyeon, et al.
Pubblicazione: (2025)

Subspace Defense: Discarding Adversarial Perturbations by Learning a Subspace for Clean Signals
di: Zheng, Rui, et al.
Pubblicazione: (2024)

POLAR: A Pessimistic Model-based Policy Learning Algorithm for Dynamic Treatment Regimes
di: Zhang, Ruijia, et al.
Pubblicazione: (2025)

Suppressing Overestimation in Q-Learning through Adversarial Behaviors
di: Lee, HyeAnn, et al.
Pubblicazione: (2023)

On the Perturbed States for Transformed Input-robust Reinforcement Learning
di: Luu, Tung M., et al.
Pubblicazione: (2024)