Buchumschlag

Preparing for Black Swans: The Antifragility Imperative for Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Jin, Ming
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On-Meter Graph Machine Learning: A Case Study of PV Power Forecasting for Grid Edge Intelligence
von: Huang, Jian, et al.
Veröffentlicht: (2026)

A Systems Theoretic Approach to Online Machine Learning
von: Preez, Anli du, et al.
Veröffentlicht: (2024)

Go Beyond Black-box Policies: Rethinking the Design of Learning Agent for Interpretable and Verifiable HVAC Control
von: An, Zhiyu, et al.
Veröffentlicht: (2024)

Towards Machine Learning-based Model Predictive Control for HVAC Control in Multi-Context Buildings at Scale via Ensemble Learning
von: Deng, Yang, et al.
Veröffentlicht: (2025)

A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection
von: Wu, Yuandi, et al.
Veröffentlicht: (2024)

Forecasting Day-Ahead Electricity Prices in the Integrated Single Electricity Market: Addressing Volatility with Comparative Machine Learning Methods
von: Harkin, Ben, et al.
Veröffentlicht: (2024)

Optimizing Job Shop Scheduling in the Furniture Industry: A Reinforcement Learning Approach Considering Machine Setup, Batch Variability, and Intralogistics
von: Schneevogt, Malte, et al.
Veröffentlicht: (2024)

From Black-Box to White-Box: Control-Theoretic Neural Network Interpretability
von: Moon, Jihoon
Veröffentlicht: (2025)

Every Call is Precious: Global Optimization of Black-Box Functions with Unknown Lipschitz Constants
von: Fourati, Fares, et al.
Veröffentlicht: (2025)

A Black Swan Hypothesis: The Role of Human Irrationality in AI Safety
von: Lee, Hyunin, et al.
Veröffentlicht: (2024)

ACING: Actor-Critic for Instruction Learning in Black-Box LLMs
von: Kharrat, Salma, et al.
Veröffentlicht: (2024)

Predictive Safety Shield for Dyna-Q Reinforcement Learning
von: Pin, Jin, et al.
Veröffentlicht: (2025)

Time-Aware World Model for Adaptive Prediction and Control
von: Nhu, Anh N., et al.
Veröffentlicht: (2025)

Learning Hidden Subgoals under Temporal Ordering Constraints in Reinforcement Learning
von: Xu, Duo, et al.
Veröffentlicht: (2024)

Facilitating Reinforcement Learning for Process Control Using Transfer Learning: Overview and Perspectives
von: Lin, Runze, et al.
Veröffentlicht: (2024)

Continual Reinforcement Learning for HVAC Systems Control: Integrating Hypernetworks and Transfer Learning
von: Bekal, Gautham Udayakumar, et al.
Veröffentlicht: (2025)

Inverse Delayed Reinforcement Learning
von: Zhan, Simon Sinong, et al.
Veröffentlicht: (2024)

Representation Learning Enhanced Deep Reinforcement Learning for Optimal Operation of Hydrogen-based Multi-Energy Systems
von: Pu, Zhenyu, et al.
Veröffentlicht: (2026)

Learning System Dynamics without Forgetting
von: Zhang, Xikun, et al.
Veröffentlicht: (2024)

Kernel-Based Learning of Safety Barriers
von: Schön, Oliver, et al.
Veröffentlicht: (2026)

Learning to Drive Safely with Hybrid Options
von: De Cooman, Bram, et al.
Veröffentlicht: (2025)

DeepSafeMPC: Deep Learning-Based Model Predictive Control for Safe Multi-Agent Reinforcement Learning
von: Wang, Xuefeng, et al.
Veröffentlicht: (2024)

Temporal Difference Learning with Compressed Updates: Error-Feedback meets Reinforcement Learning
von: Mitra, Aritra, et al.
Veröffentlicht: (2023)

Deep Learning Based Simulators for the Phosphorus Removal Process Control in Wastewater Treatment via Deep Reinforcement Learning Algorithms
von: Mohammadi, Esmaeel, et al.
Veröffentlicht: (2024)

Novelty Detection in Reinforcement Learning with World Models
von: Zollicoffer, Geigh, et al.
Veröffentlicht: (2023)

Risk-Sensitive Reinforcement Learning with Exponential Criteria
von: Noorani, Erfaun, et al.
Veröffentlicht: (2022)

Annealing Optimization for Progressive Learning with Stochastic Approximation
von: Mavridis, Christos, et al.
Veröffentlicht: (2022)

An Optimal Policy for Learning Controllable Dynamics by Exploration
von: Loxley, Peter N.
Veröffentlicht: (2025)

Reinforcement Learning with Partial Parametric Model Knowledge
von: Wang, Shuyuan, et al.
Veröffentlicht: (2023)

Hierarchical Testing with Rabbit Optimization for Industrial Cyber-Physical Systems
von: Hu, Jinwei, et al.
Veröffentlicht: (2025)

Structured Reinforcement Learning for Media Streaming at the Wireless Edge
von: Bura, Archana, et al.
Veröffentlicht: (2024)

Action Mapping for Reinforcement Learning in Continuous Environments with Constraints
von: Theile, Mirco, et al.
Veröffentlicht: (2024)

Constrained Reinforcement Learning for Safe Heat Pump Control
von: Zhang, Baohe, et al.
Veröffentlicht: (2024)

Constrained Reinforcement Learning with Smoothed Log Barrier Function
von: Zhang, Baohe, et al.
Veröffentlicht: (2024)

Oracle-Efficient Reinforcement Learning for Max Value Ensembles
von: Hussing, Marcel, et al.
Veröffentlicht: (2024)

Approximate Model-Based Shielding for Safe Reinforcement Learning
von: Goodall, Alexander W., et al.
Veröffentlicht: (2023)

Meta-Reinforcement Learning for Building Energy Management System
von: Zhang, Huiliang, et al.
Veröffentlicht: (2022)

Lyapunov-Certified Direct Switching Theory for Q-Learning
von: Lee, Donghwan
Veröffentlicht: (2026)

Can Transformers Learn Optimal Filtering for Unknown Systems?
von: Balim, Haldun, et al.
Veröffentlicht: (2023)

Bucketized Active Sampling for Learning ACOPF
von: Klamkin, Michael, et al.
Veröffentlicht: (2022)