Buchumschlag

Double Successive Over-Relaxation Q-Learning with an Extension to Deep Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	R, Shreyas S
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

On The Presence of Double-Descent in Deep Reinforcement Learning
von: Veselý, Viktor, et al.
Veröffentlicht: (2025)

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

Deep Double Q-learning
von: Nagarajan, Prabhat, et al.
Veröffentlicht: (2025)

Interactive Double Deep Q-network: Integrating Human Interventions and Evaluative Predictions in Reinforcement Learning of Autonomous Driving
von: Sygkounas, Alkis, et al.
Veröffentlicht: (2025)

Learning Tennis Strategy Through Curriculum-Based Dueling Double Deep Q-Networks
von: Mohan, Vishnu
Veröffentlicht: (2025)

Adaptive $Q$-Network: On-the-fly Target Selection for Deep Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning with Spiking Q-learning
von: Chen, Ding, et al.
Veröffentlicht: (2022)

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)

Highly Parallelized Reinforcement Learning Training with Relaxed Assignment Dependencies
von: He, Zhouyu, et al.
Veröffentlicht: (2025)

Iterated $Q$-Network: Beyond One-Step Bellman Updates in Deep Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2024)

Eau De $Q$-Network: Adaptive Distillation of Neural Networks in Deep Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2025)

CoreQ: Learning-Free Mismatch Correction and Successive Rounding for Quantization
von: Cha, Seohyeon, et al.
Veröffentlicht: (2026)

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

DeepDFA: Automata Learning through Neural Probabilistic Relaxations
von: Umili, Elena, et al.
Veröffentlicht: (2024)

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

Priors Matter: Addressing Misspecification in Bayesian Deep Q-Learning
von: van der Vaart, Pascal R., et al.
Veröffentlicht: (2025)

Which Rewards Matter? Reward Selection for Reinforcement Learning under Limited Feedback
von: Chaudhari, Shreyas, et al.
Veröffentlicht: (2025)

Exclusively Penalized Q-learning for Offline Reinforcement Learning
von: Yeom, Junghyuk, 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)

On Double Descent in Reinforcement Learning with LSTD and Random Features
von: Brellmann, David, et al.
Veröffentlicht: (2023)

PIQL: Projective Implicit Q-Learning with Support Constraint for Offline Reinforcement Learning
von: Han, Xinchen, et al.
Veröffentlicht: (2025)

Mitigating Relative Over-Generalization in Multi-Agent Reinforcement Learning
von: Zhu, Ting, et al.
Veröffentlicht: (2024)

Causal Flow Q-Learning for Robust Offline Reinforcement Learning
von: Li, Mingxuan, et al.
Veröffentlicht: (2026)

An Invitation to Deep Reinforcement Learning
von: Jaeger, Bernhard, et al.
Veröffentlicht: (2023)

A Reinforcement Learning Approach to Dairy Farm Battery Management using Q Learning
von: Ali, Nawazish, et al.
Veröffentlicht: (2024)

Efficient $Q$-Learning and Actor-Critic Methods for Robust Average Reward Reinforcement Learning
von: Xu, Yang, et al.
Veröffentlicht: (2025)

STARLING: Self-supervised Training of Text-based Reinforcement Learning Agent with Large Language Models
von: Basavatia, Shreyas, et al.
Veröffentlicht: (2024)

Learning Markov State Abstractions for Deep Reinforcement Learning
von: Allen, Cameron, et al.
Veröffentlicht: (2021)

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

Sat-EnQ: Satisficing Ensembles of Weak Q-Learners for Reliable and Compute-Efficient Reinforcement Learning
von: Çiftçi, Ünver
Veröffentlicht: (2025)

$β$-DQN: Improving Deep Q-Learning By Evolving the Behavior
von: Zhang, Hongming, et al.
Veröffentlicht: (2025)

Learning Distinguishable Representations in Deep Q-Networks for Linear Transfer
von: Sathish, Sooraj, et al.
Veröffentlicht: (2025)

Satisficing Exploration for Deep Reinforcement Learning
von: Arumugam, Dilip, et al.
Veröffentlicht: (2024)

Understanding and Diagnosing Deep Reinforcement Learning
von: Korkmaz, Ezgi
Veröffentlicht: (2024)

Causal-Paced Deep Reinforcement Learning
von: Cho, Geonwoo, et al.
Veröffentlicht: (2025)

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

Rethinking Plasticity in Deep Reinforcement Learning
von: He, Zhiqiang
Veröffentlicht: (2026)

Recursive Deep Inverse Reinforcement Learning
von: Ghanem, Paul, et al.
Veröffentlicht: (2025)