Buchumschlag

Towards Adapting Reinforcement Learning Agents to New Tasks: Insights from Q-Values

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ramaswamy, Ashwin, Senanayake, Ransalu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Role of Predictive Uncertainty and Diversity in Embodied AI and Robot Learning
von: Senanayake, Ransalu
Veröffentlicht: (2024)

RiskQ: Risk-sensitive Multi-Agent Reinforcement Learning Value Factorization
von: Shen, Siqi, et al.
Veröffentlicht: (2023)

Modeling Multi-Objective Tradeoffs with Monotonic Utility Functions
von: Chen, Edward, et al.
Veröffentlicht: (2024)

Adapting the Behavior of Reinforcement Learning Agents to Changing Action Spaces and Reward Functions
von: de la Rosa, Raul, et al.
Veröffentlicht: (2026)

Exploiting Estimation Bias in Clipped Double Q-Learning for Continous Control Reinforcement Learning Tasks
von: Turcato, Niccolò, et al.
Veröffentlicht: (2024)

Expert Q-learning: Deep Reinforcement Learning with Coarse State Values from Offline Expert Examples
von: Meng, Li, et al.
Veröffentlicht: (2021)

Solving New Tasks by Adapting Internet Video Knowledge
von: Luo, Calvin, et al.
Veröffentlicht: (2025)

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

LLM Routing as Reasoning: A MaxSAT View
von: Nguyen, Son, et al.
Veröffentlicht: (2026)

Towards Safe Reinforcement Learning via Constraining Conditional Value-at-Risk
von: Ying, Chengyang, et al.
Veröffentlicht: (2022)

Is there Value in Reinforcement Learning?
von: Fox, Lior, et al.
Veröffentlicht: (2025)

Towards Principled Unsupervised Multi-Agent Reinforcement Learning
von: Zamboni, Riccardo, et al.
Veröffentlicht: (2025)

Reinforcement Learning Interventions on Boundedly Rational Human Agents in Frictionful Tasks
von: Nofshin, Eura, et al.
Veröffentlicht: (2024)

PAC Bench: Do Foundation Models Understand Prerequisites for Executing Manipulation Policies?
von: Gundawar, Atharva, et al.
Veröffentlicht: (2025)

AdaptAgent: Adapting Multimodal Web Agents with Few-Shot Learning from Human Demonstrations
von: Verma, Gaurav, et al.
Veröffentlicht: (2024)

Centralized Reward Agent for Knowledge Sharing and Transfer in Multi-Task Reinforcement Learning
von: Ma, Haozhe, et al.
Veröffentlicht: (2024)

In-Context Compositional Q-Learning for Offline Reinforcement Learning
von: Xu, Qiushui, et al.
Veröffentlicht: (2025)

Imagination-Limited Q-Learning for Offline Reinforcement Learning
von: Liu, Wenhui, et al.
Veröffentlicht: (2025)

Mildly Conservative Q-Learning for Offline Reinforcement Learning
von: Lyu, Jiafei, et al.
Veröffentlicht: (2022)

Decoding Generalization from Memorization in Deep Neural Networks
von: Ketha, Simran, et al.
Veröffentlicht: (2025)

Failures Are Fated, But Can Be Faded: Characterizing and Mitigating Unwanted Behaviors in Large-Scale Vision and Language Models
von: Sagar, Som, et al.
Veröffentlicht: (2024)

LLM-Assisted Red Teaming of Diffusion Models through "Failures Are Fated, But Can Be Faded"
von: Sagar, Som, et al.
Veröffentlicht: (2024)

CUPID in the Model Zoo: Online Matchmaking for Selecting Your Dream LLM
von: Nguyen, Son, et al.
Veröffentlicht: (2026)

SafeAdapt: Provably Safe Policy Updates in Deep Reinforcement Learning
von: Anisimov, Maksim, et al.
Veröffentlicht: (2026)

Continual Reinforcement Learning via Autoencoder-Driven Task and New Environment Recognition
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents
von: Putta, Pranav, et al.
Veröffentlicht: (2024)

Logical Specifications-guided Dynamic Task Sampling for Reinforcement Learning Agents
von: Shukla, Yash, et al.
Veröffentlicht: (2024)

Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning
von: Mao, Yixiu, et al.
Veröffentlicht: (2025)

Bellman Unbiasedness: Toward Provably Efficient Distributional Reinforcement Learning with General Value Function Approximation
von: Cho, Taehyun, et al.
Veröffentlicht: (2024)

Task Scheduling & Forgetting in Multi-Task Reinforcement Learning
von: Speckmann, Marc, et al.
Veröffentlicht: (2025)

Explainable Concept Generation through Vision-Language Preference Learning for Understanding Neural Networks' Internal Representations
von: Taparia, Aditya, et al.
Veröffentlicht: (2024)

Exclusively Penalized Q-learning for Offline Reinforcement Learning
von: Yeom, Junghyuk, et al.
Veröffentlicht: (2024)

Residual Q-Learning: Offline and Online Policy Customization without Value
von: Li, Chenran, et al.
Veröffentlicht: (2023)

Towards Reinforcement Learning from Neural Feedback: Mapping fNIRS Signals to Agent Performance
von: Santaniello, Julia, et al.
Veröffentlicht: (2025)

The Composite Task Challenge for Cooperative Multi-Agent Reinforcement Learning
von: Li, Yurui, et al.
Veröffentlicht: (2025)

Model-based Offline Reinforcement Learning with Lower Expectile Q-Learning
von: Park, Kwanyoung, et al.
Veröffentlicht: (2024)

Fast Value Tracking for Deep Reinforcement Learning
von: Shih, Frank, et al.
Veröffentlicht: (2024)

Value-Distributional Model-Based Reinforcement Learning
von: Luis, Carlos E., et al.
Veröffentlicht: (2023)

Reinforcement Learning via Value Gradient Flow
von: Xu, Haoran, et al.
Veröffentlicht: (2026)

Task Specific Sharpness Aware O-RAN Resource Management using Multi Agent Reinforcement Learning
von: Lotfi, Fatemeh, et al.
Veröffentlicht: (2025)