Buchumschlag

HackAtari: Atari Learning Environments for Robust and Continual Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Delfosse, Quentin, Blüml, Jannis, Gregori, Bjarne, Kersting, Kristian
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

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

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

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

GRAIL: Autonomous Concept Grounding for Neuro-Symbolic Reinforcement Learning
von: Shindo, Hikaru, et al.
Veröffentlicht: (2026)

Interpretable and Editable Programmatic Tree Policies for Reinforcement Learning
von: Kohler, Hector, et al.
Veröffentlicht: (2024)

BlendRL: A Framework for Merging Symbolic and Neural Policy Learning
von: Shindo, Hikaru, et al.
Veröffentlicht: (2024)

Learning To Play Atari Games Using Dueling Q-Learning and Hebbian Plasticity
von: Salehin, Md Ashfaq
Veröffentlicht: (2024)

Hadamax Encoding: Elevating Performance in Model-Free Atari
von: Kooi, Jacob E., et al.
Veröffentlicht: (2025)

Read and Reap the Rewards: Learning to Play Atari with the Help of Instruction Manuals
von: Wu, Yue, et al.
Veröffentlicht: (2023)

LLMs Gaming Verifiers: RLVR can Lead to Reward Hacking
von: Helff, Lukas, et al.
Veröffentlicht: (2026)

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

Model-Based Reinforcement Learning for Atari
von: Kaiser, Lukasz, et al.
Veröffentlicht: (2019)

Probing the Impact of Scale on Data-Efficient, Generalist Transformer World Models for Atari
von: Kim, Jooyeon
Veröffentlicht: (2026)

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

Diffusion for World Modeling: Visual Details Matter in Atari
von: Alonso, Eloi, et al.
Veröffentlicht: (2024)

A quantum-classical reinforcement learning model to play Atari games
von: Freinberger, Dominik, et al.
Veröffentlicht: (2024)

TextAtari: 100K Frames Game Playing with Language Agents
von: Li, Wenhao, et al.
Veröffentlicht: (2025)

Pix2Code: Learning to Compose Neural Visual Concepts as Programs
von: Wüst, Antonia, et al.
Veröffentlicht: (2024)

Decision Transformer vs. Decision Mamba: Analysing the Complexity of Sequential Decision Making in Atari Games
von: Yan, Ke
Veröffentlicht: (2024)

MiniZero: Comparative Analysis of AlphaZero and MuZero on Go, Othello, and Atari Games
von: Wu, Ti-Rong, et al.
Veröffentlicht: (2023)

Learnable Behavior Control: Breaking Atari Human World Records via Sample-Efficient Behavior Selection
von: Fan, Jiajun, et al.
Veröffentlicht: (2023)

Enhancing Two-Player Performance Through Single-Player Knowledge Transfer: An Empirical Study on Atari 2600 Games
von: Saadat, Kimiya, et al.
Veröffentlicht: (2024)

Kintsugi: Learning Policies by Repairing Executable Knowledge Bases
von: Cao, Teng, 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)

Learning to Play Atari in a World of Tokens
von: Agarwal, Pranav, et al.
Veröffentlicht: (2024)

Atari-GPT: Benchmarking Multimodal Large Language Models as Low-Level Policies in Atari Games
von: Waytowich, Nicholas R., et al.
Veröffentlicht: (2024)

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

Adaptive Rational Activations to Boost Deep Reinforcement Learning
von: Delfosse, Quentin, et al.
Veröffentlicht: (2021)

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

Interpretable Concept Bottlenecks to Align Reinforcement Learning Agents
von: Delfosse, Quentin, et al.
Veröffentlicht: (2024)

Amplifying Exploration in Monte-Carlo Tree Search by Focusing on the Unknown
von: Derstroff, Cedric, et al.
Veröffentlicht: (2024)

Learning to Intervene on Concept Bottlenecks
von: Steinmann, David, et al.
Veröffentlicht: (2023)

Boosting Object Representation Learning via Motion and Object Continuity
von: Delfosse, Quentin, et al.
Veröffentlicht: (2022)

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

Greener Deep Reinforcement Learning: Analysis of Energy and Carbon Efficiency Across Atari Benchmarks
von: Gardner, Jason, et al.
Veröffentlicht: (2025)

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

Towards a Research Community in Interpretable Reinforcement Learning: the InterpPol Workshop
von: Kohler, Hector, et al.
Veröffentlicht: (2024)

Hack-Verifiable Environments: Towards Evaluating Reward Hacking at Scale
von: Roth, Amit, et al.
Veröffentlicht: (2026)