Buchumschlag

A CMDP-within-online framework for Meta-Safe Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Khattar, Vanshaj, Ding, Yuhao, Sel, Bilgehan, Lavaei, Javad, Jin, Ming
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Optimization Solution Functions as Deterministic Policies for Offline Reinforcement Learning
von: Khattar, Vanshaj, et al.
Veröffentlicht: (2024)

Safe and Balanced: A Framework for Constrained Multi-Objective Reinforcement Learning
von: Gu, Shangding, et al.
Veröffentlicht: (2024)

Balance Reward and Safety Optimization for Safe Reinforcement Learning: A Perspective of Gradient Manipulation
von: Gu, Shangding, et al.
Veröffentlicht: (2024)

Policy-based Primal-Dual Methods for Concave CMDP with Variance Reduction
von: Ying, Donghao, et al.
Veröffentlicht: (2022)

Algorithm of Thoughts: Enhancing Exploration of Ideas in Large Language Models
von: Sel, Bilgehan, et al.
Veröffentlicht: (2023)

Pausing Policy Learning in Non-stationary Reinforcement Learning
von: Lee, Hyunin, et al.
Veröffentlicht: (2024)

Reinforcement Learning with Backtracking Feedback
von: Sel, Bilgehan, et al.
Veröffentlicht: (2026)

Beyond Exact Gradients: Convergence of Stochastic Soft-Max Policy Gradient Methods with Entropy Regularization
von: Ding, Yuhao, et al.
Veröffentlicht: (2021)

Amplification Effects in Test-Time Reinforcement Learning: Safety and Reasoning Vulnerabilities
von: Khattar, Vanshaj, et al.
Veröffentlicht: (2026)

Enhancing Efficiency of Safe Reinforcement Learning via Sample Manipulation
von: Gu, Shangding, et al.
Veröffentlicht: (2024)

Detecting Zero-Day Attacks in Digital Substations via In-Context Learning
von: Manzoor, Faizan, et al.
Veröffentlicht: (2025)

Skin-in-the-Game: Decision Making via Multi-Stakeholder Alignment in LLMs
von: Sel, Bilgehan, et al.
Veröffentlicht: (2024)

Provably Efficient Sample Complexity for Robust CMDP
von: Ganguly, Sourav, et al.
Veröffentlicht: (2025)

StyleBench: Evaluating thinking styles in Large Language Models
von: Guo, Junyu, et al.
Veröffentlicht: (2025)

LLMs Should Express Uncertainty Explicitly
von: Guo, Junyu, et al.
Veröffentlicht: (2026)

TRSVR: An Adaptive Stochastic Trust-Region Method with Variance Reduction
von: Fang, Yuchen, et al.
Veröffentlicht: (2026)

Why is Normalization Preferred? A Worst-Case Complexity Theory for Stochastically Preconditioned SGD under Heavy-Tailed Noise
von: Fang, Yuchen, et al.
Veröffentlicht: (2026)

Don't Trade Off Safety: Diffusion Regularization for Constrained Offline RL
von: Guo, Junyu, et al.
Veröffentlicht: (2025)

LLMs Can Plan Only If We Tell Them
von: Sel, Bilgehan, et al.
Veröffentlicht: (2025)

Few-Shot Test-Time Optimization Without Retraining for Semiconductor Recipe Generation and Beyond
von: Gu, Shangding, et al.
Veröffentlicht: (2025)

High Probability Complexity Bounds of Trust-Region Stochastic Sequential Quadratic Programming with Heavy-Tailed Noise
von: Fang, Yuchen, et al.
Veröffentlicht: (2025)

Feasibility Consistent Representation Learning for Safe Reinforcement Learning
von: Cen, Zhepeng, et al.
Veröffentlicht: (2024)

Absence of spurious solutions far from ground truth: A low-rank analysis with high-order losses
von: Ma, Ziye, et al.
Veröffentlicht: (2024)

Subgradient Method for System Identification with Non-Smooth Objectives
von: Yalcin, Baturalp, et al.
Veröffentlicht: (2025)

OASIS: Conditional Distribution Shaping for Offline Safe Reinforcement Learning
von: Yao, Yihang, et al.
Veröffentlicht: (2024)

Controlling Underestimation Bias in Constrained Reinforcement Learning for Safe Exploration
von: Gao, Shiqing, et al.
Veröffentlicht: (2026)

Exact Recovery for System Identification with More Corrupt Data than Clean Data
von: Yalcin, Baturalp, et al.
Veröffentlicht: (2023)

Extreme Value Policy Optimization for Safe Reinforcement Learning
von: Gao, Shiqing, et al.
Veröffentlicht: (2026)

Safe In-Context Reinforcement Learning
von: Moeini, Amir, et al.
Veröffentlicht: (2025)

Counterfactually Safe Reinforcement Learning
von: Li, Jingyi, et al.
Veröffentlicht: (2026)

A Trust-Region Interior-Point Stochastic Sequential Quadratic Programming Method
von: Fang, Yuchen, et al.
Veröffentlicht: (2026)

A Scalable Approach for Safe and Robust Learning via Lipschitz-Constrained Networks
von: Abdeen, Zain ul, et al.
Veröffentlicht: (2025)

Online Bayesian Risk-Averse Reinforcement Learning
von: Wang, Yuhao, et al.
Veröffentlicht: (2025)

Policy Bifurcation in Safe Reinforcement Learning
von: Zou, Wenjun, et al.
Veröffentlicht: (2024)

Structural Correspondence and Universal Approximation in Diagonal plus Low-Rank Neural Networks
von: Chen, Ying, et al.
Veröffentlicht: (2026)

Intersection of Reinforcement Learning and Bayesian Optimization for Intelligent Control of Industrial Processes: A Safe MPC-based DPG using Multi-Objective BO
von: Esfahani, Hossein Nejatbakhsh, et al.
Veröffentlicht: (2025)

Safe RuleFit: Learning Optimal Sparse Rule Model by Meta Safe Screening
von: Kato, Hiroki, et al.
Veröffentlicht: (2018)

Constraint-Conditioned Policy Optimization for Versatile Safe Reinforcement Learning
von: Yao, Yihang, et al.
Veröffentlicht: (2023)

Conditional Sequence Modeling for Safe Reinforcement Learning
von: Bai, Wensong, et al.
Veröffentlicht: (2026)

Vulnerability Analysis of Safe Reinforcement Learning via Inverse Constrained Reinforcement Learning
von: Fan, Jialiang, et al.
Veröffentlicht: (2026)