:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zadeh, Sadjad Anzabi, Street, W. Nick, Thomas, Barrett W.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2404.17187
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Optimizing Warfarin Dosing Using Contextual Bandit: An Offline Policy Learning and Evaluation Method
von: Huang, Yong, et al.
Veröffentlicht: (2024)

FedDES: Graph-Based Dynamic Ensemble Selection for Personalized Federated Learning
von: Mueller, Brianna, et al.
Veröffentlicht: (2026)

FedPAE: Peer-Adaptive Ensemble Learning for Asynchronous and Model-Heterogeneous Federated Learning
von: Mueller, Brianna, et al.
Veröffentlicht: (2024)

Continual Deep Reinforcement Learning with Task-Agnostic Policy Distillation
von: Hafez, Muhammad Burhan, et al.
Veröffentlicht: (2024)

To Start Up a Start-Up$-$Embedding Strategic Demand Development in Operational On-Demand Fulfillment via Reinforcement Learning with Information Shaping
von: Chen, Xinwei, et al.
Veröffentlicht: (2025)

Critic-Driven Voronoi-Quantization for Distilling Deep RL Policies to Explainable Models
von: Deproost, Senne, et al.
Veröffentlicht: (2026)

Development and Validation of Heparin Dosing Policies Using an Offline Reinforcement Learning Algorithm
von: Lim, Yooseok, et al.
Veröffentlicht: (2024)

Causal State Distillation for Explainable Reinforcement Learning
von: Lu, Wenhao, et al.
Veröffentlicht: (2023)

Using Part-based Representations for Explainable Deep Reinforcement Learning
von: Kirtas, Manos, et al.
Veröffentlicht: (2024)

Efficiently Training Deep-Learning Parametric Policies using Lagrangian Duality
von: Rosemberg, Andrew, et al.
Veröffentlicht: (2024)

Co-Activation Graph Analysis of Safety-Verified and Explainable Deep Reinforcement Learning Policies
von: Gross, Dennis, et al.
Veröffentlicht: (2025)

Explainable Reinforcement Learning via Temporal Policy Decomposition
von: Ruggeri, Franco, et al.
Veröffentlicht: (2025)

A Survey on Explainable Deep Reinforcement Learning
von: Cheng, Zelei, et al.
Veröffentlicht: (2025)

Action-Graph Policies: Learning Action Co-dependencies in Multi-Agent Reinforcement Learning
von: Gupta, Nikunj, et al.
Veröffentlicht: (2026)

Continual Policy Distillation from Distributed Reinforcement Learning Teachers
von: Li, Yuxuan, et al.
Veröffentlicht: (2026)

Practical Policy Distillation for Reinforcement Learning in Radio Access Networks
von: Khosravi, Sara, et al.
Veröffentlicht: (2025)

Glinthawk: A Two-Tiered Architecture for Offline LLM Inference
von: Hamadanian, Pouya, et al.
Veröffentlicht: (2025)

BraVE: Offline Reinforcement Learning for Discrete Combinatorial Action Spaces
von: Landers, Matthew, et al.
Veröffentlicht: (2024)

Internalize the Temperature: On-Policy Self-Distillation as Policy Reheater for Reinforcement Learning
von: Yang, Xuewei, et al.
Veröffentlicht: (2026)

Evaluating Interpretable Reinforcement Learning by Distilling Policies into Programs
von: Kohler, Hector, et al.
Veröffentlicht: (2025)

Deep Multi-Objective Reinforcement Learning for Utility-Based Infrastructural Maintenance Optimization
von: van Remmerden, Jesse, et al.
Veröffentlicht: (2024)

LISA: Learning-Integrated Space Partitioning Framework for Traffic Accident Forecasting on Heterogeneous Spatiotemporal Data
von: An, Bang, et al.
Veröffentlicht: (2024)

Constrained Latent Action Policies for Model-Based Offline Reinforcement Learning
von: Alles, Marvin, et al.
Veröffentlicht: (2024)

"So, Tell Me About Your Policy...": Distillation of interpretable policies from Deep Reinforcement Learning agents
von: Dispoto, Giovanni, et al.
Veröffentlicht: (2025)

Latent Spherical Flow Policy for Reinforcement Learning with Combinatorial Actions
von: Kong, Lingkai, et al.
Veröffentlicht: (2026)

TrojanForge: Generating Adversarial Hardware Trojan Examples Using Reinforcement Learning
von: Sarihi, Amin, et al.
Veröffentlicht: (2024)

Where to Intervene: Action Selection in Deep Reinforcement Learning
von: Zhang, Wenbo, et al.
Veröffentlicht: (2025)

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

From Explainability to Interpretability: Interpretable Policies in Reinforcement Learning Via Model Explanation
von: Li, Peilang, et al.
Veröffentlicht: (2025)

Safe Reinforcement Learning using Action Projection: Safeguard the Policy or the Environment?
von: Markgraf, Hannah, et al.
Veröffentlicht: (2025)

Improving Policy Exploitation in Online Reinforcement Learning with Instant Retrospect Action
von: Gao, Gong, et al.
Veröffentlicht: (2026)

Explainable RL Policies by Distilling to Locally-Specialized Linear Policies with Voronoi State Partitioning
von: Deproost, Senne, et al.
Veröffentlicht: (2025)

LWM-Temporal: Sparse Spatio-Temporal Attention for Wireless Channel Representation Learning
von: Alikhani, Sadjad, et al.
Veröffentlicht: (2026)

RLDG: Robotic Generalist Policy Distillation via Reinforcement Learning
von: Xu, Charles, et al.
Veröffentlicht: (2024)

Preferred-Action-Optimized Diffusion Policies for Offline Reinforcement Learning
von: Zhang, Tianle, et al.
Veröffentlicht: (2024)

Incentivizing Safer Actions in Policy Optimization for Constrained Reinforcement Learning
von: Hazra, Somnath, et al.
Veröffentlicht: (2025)

TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework
von: Zhao, Yang, et al.
Veröffentlicht: (2023)

Explainable AI for Radar Resource Management: Modified LIME in Deep Reinforcement Learning
von: Lu, Ziyang, et al.
Veröffentlicht: (2025)

Neuro-symbolic Action Masking for Deep Reinforcement Learning
von: Han, Shuai, et al.
Veröffentlicht: (2026)

In Defence of Post-hoc Explainability
von: Oh, Nick
Veröffentlicht: (2024)