Buchumschlag

Optimizing Interpretable Decision Tree Policies for Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vos, Daniël, Verwer, Sicco
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

Optimal Decision Tree Policies for Markov Decision Processes
von: Vos, Daniël, et al.
Veröffentlicht: (2023)

FlexFringe: Modeling Software Behavior by Learning Probabilistic Automata
von: Verwer, Sicco, et al.
Veröffentlicht: (2022)

Optimal or Greedy Decision Trees? Revisiting their Objectives, Tuning, and Performance
von: van der Linden, Jacobus G. M., et al.
Veröffentlicht: (2024)

PDFA Distillation via String Probability Queries
von: Baumgartner, Robert, et al.
Veröffentlicht: (2024)

PAC learning PDFA from data streams
von: Baumgartner, Robert, et al.
Veröffentlicht: (2026)

State Frequency Estimation for Anomaly Detection
von: Cao, Clinton, et al.
Veröffentlicht: (2024)

ENCODE: Encoding NetFlows for Network Anomaly Detection
von: Cao, Clinton, et al.
Veröffentlicht: (2022)

EXPObench: Benchmarking Surrogate-based Optimisation Algorithms on Expensive Black-box Functions
von: Bliek, Laurens, et al.
Veröffentlicht: (2021)

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

Safety-Oriented Pruning and Interpretation of Reinforcement Learning Policies
von: Gross, Dennis, et al.
Veröffentlicht: (2024)

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

Interpreting Reinforcement Learning Agents with Susceptibilities
von: Elliott, Chris, et al.
Veröffentlicht: (2026)

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

Automated Test-Case Generation for REST APIs Using Model Inference Search Heuristic
von: Cao, Clinton, et al.
Veröffentlicht: (2024)

Database-assisted automata learning
von: Walinga, Hielke, et al.
Veröffentlicht: (2024)

Can Differentiable Decision Trees Enable Interpretable Reward Learning from Human Feedback?
von: Kalra, Akansha, et al.
Veröffentlicht: (2023)

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

MIXRTs: Toward Interpretable Multi-Agent Reinforcement Learning via Mixing Recurrent Soft Decision Trees
von: Liu, Zichuan, et al.
Veröffentlicht: (2022)

Contextualized Policy Recovery: Modeling and Interpreting Medical Decisions with Adaptive Imitation Learning
von: Deuschel, Jannik, et al.
Veröffentlicht: (2023)

Decision-Focused On-Policy Learning for Contextual Linear Optimization with Partial Feedback
von: Benslimane, Wyame, et al.
Veröffentlicht: (2026)

Deep Reinforcement Learning for Inventory Networks: Toward Reliable Policy Optimization
von: Alvo, Matias, et al.
Veröffentlicht: (2023)

PolicyFlow: Policy Optimization with Continuous Normalizing Flow in Reinforcement Learning
von: Yang, Shunpeng, et al.
Veröffentlicht: (2026)

Stochastic Decision Horizons for Constrained Reinforcement Learning
von: Milosevic, Nikola, et al.
Veröffentlicht: (2026)

Decision Flow Policy Optimization
von: Hu, Jifeng, et al.
Veröffentlicht: (2025)

Methodology for Interpretable Reinforcement Learning for Optimizing Mechanical Ventilation
von: Lee, Joo Seung, et al.
Veröffentlicht: (2024)

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

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

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

SPOT: Scalable Policy Optimization with Trees for Markov Decision Processes
von: Xiong, Xuyuan, et al.
Veröffentlicht: (2025)

Doubly Optimal Policy Evaluation for Reinforcement Learning
von: Liu, Shuze Daniel, et al.
Veröffentlicht: (2024)

Efficient Multi-Policy Evaluation for Reinforcement Learning
von: Liu, Shuze Daniel, et al.
Veröffentlicht: (2024)

Comparative Analysis of Multi-Agent Reinforcement Learning Policies for Crop Planning Decision Support
von: Mahajan, Anubha, et al.
Veröffentlicht: (2024)

TreeDQN: Sample-Efficient Off-Policy Reinforcement Learning for Combinatorial Optimization
von: Sorokin, D., et al.
Veröffentlicht: (2023)

Interpretable Quantile Regression by Optimal Decision Trees
von: Lemaire, Valentin, et al.
Veröffentlicht: (2026)

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

An Interpretable Client Decision Tree Aggregation process for Federated Learning
von: Argente-Garrido, Alberto, et al.
Veröffentlicht: (2024)

Exploiting Hybrid Policy in Reinforcement Learning for Interpretable Temporal Logic Manipulation
von: Zhang, Hao, et al.
Veröffentlicht: (2024)

Policy Trees for Prediction: Interpretable and Adaptive Model Selection for Machine Learning
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2024)

AdaMemento: Adaptive Memory-Assisted Policy Optimization for Reinforcement Learning
von: Yan, Renye, et al.
Veröffentlicht: (2024)

Constrained Policy Optimization with Explicit Behavior Density for Offline Reinforcement Learning
von: Zhang, Jing, et al.
Veröffentlicht: (2023)