Buchumschlag

The Interpretability of Codebooks in Model-Based Reinforcement Learning is Limited

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Eaton, Kenneth, Balloch, Jonathan, Kim, Julia, Riedl, Mark
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

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

External Model Motivated Agents: Reinforcement Learning for Enhanced Environment Sampling
von: Bhagat, Rishav, et al.
Veröffentlicht: (2024)

Is Exploration All You Need? Effective Exploration Characteristics for Transfer in Reinforcement Learning
von: Balloch, Jonathan C., et al.
Veröffentlicht: (2024)

Efficient Adaptation of Reinforcement Learning Agents to Sudden Environmental Change
von: Balloch, Jonathan Clifford
Veröffentlicht: (2025)

World Model Robustness via Surprise Recognition
von: Zollicoffer, Geigh, et al.
Veröffentlicht: (2025)

Behavior-Consistent Deep Reinforcement Learning
von: Hussing, Marcel, et al.
Veröffentlicht: (2026)

Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning
von: Xie, Sean, et al.
Veröffentlicht: (2022)

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

LICORICE: Label-Efficient Concept-Based Interpretable Reinforcement Learning
von: Ye, Zhuorui, et al.
Veröffentlicht: (2024)

Interpreting Emergent Planning in Model-Free Reinforcement Learning
von: Bush, Thomas, et al.
Veröffentlicht: (2025)

Distilling Reinforcement Learning Algorithms for In-Context Model-Based Planning
von: Son, Jaehyeon, et al.
Veröffentlicht: (2025)

Robotic Manipulation Datasets for Offline Compositional Reinforcement Learning
von: Hussing, Marcel, et al.
Veröffentlicht: (2023)

Three Pathways to Neurosymbolic Reinforcement Learning with Interpretable Model and Policy Networks
von: Graf, Peter, et al.
Veröffentlicht: (2024)

Model-Based Reinforcement Learning under Random Observation Delays
von: Karamzade, Armin, et al.
Veröffentlicht: (2025)

Generalization Limits of Reinforcement Learning Alignment
von: Shida, Haruhi, et al.
Veröffentlicht: (2026)

CodeGEMM: A Codebook-Centric Approach to Efficient GEMM in Quantized LLMs
von: Park, Gunho, et al.
Veröffentlicht: (2025)

Surrogate Fitness Metrics for Interpretable Reinforcement Learning
von: Altmann, Philipp, et al.
Veröffentlicht: (2025)

Advancing Brainwave Modeling with a Codebook-Based Foundation Model
von: Barmpas, Konstantinos, et al.
Veröffentlicht: (2025)

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

Towards Automated Semantic Interpretability in Reinforcement Learning via Vision-Language Models
von: Li, Zhaoxin, et al.
Veröffentlicht: (2025)

Kernel-Based Function Approximation for Average Reward Reinforcement Learning: An Optimist No-Regret Algorithm
von: Vakili, Sattar, et al.
Veröffentlicht: (2024)

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

Interpretability by Design for Efficient Multi-Objective Reinforcement Learning
von: Xia, Qiyue, et al.
Veröffentlicht: (2025)

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

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

Bridging the Sim-to-Real Gap in Reinforcement Learning-Based Industrial Dispatching through Execution Semantics
von: Hoss, Jonathan, et al.
Veröffentlicht: (2026)

Towards Interpretable Reinforcement Learning with Constrained Normalizing Flow Policies
von: Rietz, Finn, et al.
Veröffentlicht: (2024)

Outcome-Based Online Reinforcement Learning: Algorithms and Fundamental Limits
von: Chen, Fan, et al.
Veröffentlicht: (2025)

Model-Based Reinforcement Learning Under Confounding
von: Venkatesh, Nishanth, et al.
Veröffentlicht: (2025)

Influence functions and regularity tangents for efficient active learning
von: Eaton, Frederik
Veröffentlicht: (2024)

Automating Curriculum Learning for Reinforcement Learning using a Skill-Based Bayesian Network
von: Hsiao, Vincent, et al.
Veröffentlicht: (2025)

Robust Model-Based Reinforcement Learning with an Adversarial Auxiliary Model
von: Herremans, Siemen, et al.
Veröffentlicht: (2024)

Data-Centric Interpretability for LLM-based Multi-Agent Reinforcement Learning
von: Yan, John, et al.
Veröffentlicht: (2026)

Prism: Policy Reuse via Interpretable Strategy Mapping in Reinforcement Learning
von: Pravetz, Thomas
Veröffentlicht: (2026)

Fly, Fail, Fix: Iterative Game Repair with Reinforcement Learning and Large Multimodal Models
von: Zook, Alex, et al.
Veröffentlicht: (2025)

Dataset Distillation for Offline Reinforcement Learning
von: Light, Jonathan, et al.
Veröffentlicht: (2024)

Learning Interpretable Policies in Hindsight-Observable POMDPs through Partially Supervised Reinforcement Learning
von: Lanier, Michael, et al.
Veröffentlicht: (2024)

Offline Model-Based Reinforcement Learning with Anti-Exploration
von: Srinivasan, Padmanaba, et al.
Veröffentlicht: (2024)

Advantage-Guided Diffusion for Model-Based Reinforcement Learning
von: Foffano, Daniele, et al.
Veröffentlicht: (2026)

Knowledge Retention for Continual Model-Based Reinforcement Learning
von: Sun, Yixiang, et al.
Veröffentlicht: (2025)