Buchumschlag

Finite-Sample Analysis of the Monte Carlo Exploring Starts Algorithm for Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Suei-Wen, Ross, Keith, Youssef, Pierre
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

How Bad is Training on Synthetic Data? A Statistical Analysis of Language Model Collapse
von: Seddik, Mohamed El Amine, et al.
Veröffentlicht: (2024)

On the Convergence of Monte Carlo UCB for Random-Length Episodic MDPs
von: Dong, Zixuan, et al.
Veröffentlicht: (2022)

Penalized Overdamped and Underdamped Langevin Monte Carlo Algorithms for Constrained Sampling
von: Gürbüzbalaban, Mert, et al.
Veröffentlicht: (2022)

Efficient Online Variational Estimation via Monte Carlo Sampling
von: Chagneux, Mathis, et al.
Veröffentlicht: (2026)

Finite-Sample Analysis of Policy Evaluation for Robust Average Reward Reinforcement Learning
von: Xu, Yang, et al.
Veröffentlicht: (2025)

Is Optimal Transport Necessary for Inverse Reinforcement Learning?
von: Dong, Zixuan, et al.
Veröffentlicht: (2025)

Non-Log-Concave and Nonsmooth Sampling via Langevin Monte Carlo Algorithms
von: Lau, Tim Tsz-Kit, et al.
Veröffentlicht: (2023)

Bayesian Federated Learning with Hamiltonian Monte Carlo: Algorithm and Theory
von: Liang, Jiajun, et al.
Veröffentlicht: (2024)

Accelerating Langevin Monte Carlo Sampling: A Large Deviations Analysis
von: Yao, Nian, et al.
Veröffentlicht: (2025)

Should We Ever Prefer Decision Transformer for Offline Reinforcement Learning?
von: Omori, Yumi, et al.
Veröffentlicht: (2025)

Nonlocal Monte Carlo via Reinforcement Learning
von: Dobrynin, Dmitrii, et al.
Veröffentlicht: (2025)

Reinforced sequential Monte Carlo for amortised sampling
von: Choi, Sanghyeok, et al.
Veröffentlicht: (2025)

Bayes Adaptive Monte Carlo Tree Search for Offline Model-based Reinforcement Learning
von: Chen, Jiayu, et al.
Veröffentlicht: (2024)

Reinforcement Learning with Verifiable Rewards: GRPO's Effective Loss, Dynamics, and Success Amplification
von: Mroueh, Youssef
Veröffentlicht: (2025)

Fusion of Gaussian Processes Predictions with Monte Carlo Sampling
von: Ajirak, Marzieh, et al.
Veröffentlicht: (2024)

Provable and Practical: Efficient Exploration in Reinforcement Learning via Langevin Monte Carlo
von: Ishfaq, Haque, et al.
Veröffentlicht: (2023)

High-Order Langevin Monte Carlo Algorithms
von: Dang, Thanh, et al.
Veröffentlicht: (2025)

An Efficient Algorithm for Thresholding Monte Carlo Tree Search
von: Nameki, Shoma, et al.
Veröffentlicht: (2026)

Pre-training with Synthetic Data Helps Offline Reinforcement Learning
von: Wang, Zecheng, et al.
Veröffentlicht: (2023)

Enhancing Low-Precision Sampling via Stochastic Gradient Hamiltonian Monte Carlo
von: Wang, Ziyi, et al.
Veröffentlicht: (2023)

Plan2Cleanse: Test-Time Backdoor Defense via Monte-Carlo Planning in Deep Reinforcement Learning
von: Chen, Sze-Ann, et al.
Veröffentlicht: (2026)

Persistent Sampling: Enhancing the Efficiency of Sequential Monte Carlo
von: Karamanis, Minas, et al.
Veröffentlicht: (2024)

Guided Exploration in Reinforcement Learning via Monte Carlo Critic Optimization
von: Kuznetsov, Igor
Veröffentlicht: (2022)

To Start Up a Start-Up$-$Embedding Strategic Demand Development in Operational On-Demand Fulfillment via Reinforcement Learning with Information Shaping
von: Chen, Xinwei, et al.
Veröffentlicht: (2025)

Regime-Switching Langevin Monte Carlo Algorithms
von: Wang, Xiaoyu, et al.
Veröffentlicht: (2025)

Finite-Time Convergence and Sample Complexity of Actor-Critic Multi-Objective Reinforcement Learning
von: Zhou, Tianchen, et al.
Veröffentlicht: (2024)

Finite-Sample Bounds for Adaptive Inverse Reinforcement Learning using Passive Langevin Dynamics
von: Snow, Luke, et al.
Veröffentlicht: (2023)

VariBASed: Variational Bayes-Adaptive Sequential Monte-Carlo Planning for Deep Reinforcement Learning
von: de Vries, Joery A., et al.
Veröffentlicht: (2026)

Finite Sample and Large Deviations Analysis of Stochastic Gradient Algorithm with Correlated Noise
von: Yin, George, et al.
Veröffentlicht: (2024)

Sample Efficient Active Algorithms for Offline Reinforcement Learning
von: Roy, Soumyadeep, et al.
Veröffentlicht: (2026)

Constrained Sampling with Primal-Dual Langevin Monte Carlo
von: Chamon, Luiz F. O., et al.
Veröffentlicht: (2024)

Quantum-Inspired Episode Selection for Monte Carlo Reinforcement Learning via QUBO Optimization
von: Salloum, Hadi, et al.
Veröffentlicht: (2026)

Briding Diffusion Posterior Sampling and Monte Carlo methods: a survey
von: Janati, Yazid, et al.
Veröffentlicht: (2025)

Monte Carlo Beam Search for Actor-Critic Reinforcement Learning in Continuous Control
von: Alzorgan, Hazim, et al.
Veröffentlicht: (2025)

Sampling with Shielded Langevin Monte Carlo Using Navigation Potentials
von: Zilberstein, Nicolas, et al.
Veröffentlicht: (2025)

Rocket Landing Control with Random Annealing Jump Start Reinforcement Learning
von: Jiang, Yuxuan, et al.
Veröffentlicht: (2024)

Policy Gradient Algorithms with Monte Carlo Tree Learning for Non-Markov Decision Processes
von: Morimura, Tetsuro, et al.
Veröffentlicht: (2022)

Finite Time Analysis of Constrained Natural Critic-Actor Algorithm with Improved Sample Complexity
von: Panda, Prashansa, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Control with Probabilistic Stability Guarantee: A Finite-Sample Approach
von: Han, Minghao, et al.
Veröffentlicht: (2026)

Blazing the trails before beating the path: Sample-efficient Monte-Carlo planning
von: Grill, Jean-Bastien, et al.
Veröffentlicht: (2026)