Buchumschlag

Overcoming the Curse of Dimensionality in Reinforcement Learning Through Approximate Factorization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Chenbei, Shi, Laixi, Chen, Zaiwei, Wu, Chenye, Wierman, Adam
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

Reinforcement Learning with Imperfect Transition Predictions: A Bellman-Jensen Approach
von: Lu, Chenbei, et al.
Veröffentlicht: (2025)

Breaking the Curse of Multiagency in Robust Multi-Agent Reinforcement Learning
von: Shi, Laixi, et al.
Veröffentlicht: (2024)

Sample-Efficient Robust Multi-Agent Reinforcement Learning in the Face of Environmental Uncertainty
von: Shi, Laixi, et al.
Veröffentlicht: (2024)

Taming the Curses of Multiagency in Robust Markov Games with Large State Space through Linear Function Approximation
von: Gai, Jingchu, et al.
Veröffentlicht: (2026)

Hybrid Transfer Reinforcement Learning: Provable Sample Efficiency from Shifted-Dynamics Data
von: Qu, Chengrui, et al.
Veröffentlicht: (2024)

Approximate Global Convergence of Independent Learning in Multi-Agent Systems
von: Jin, Ruiyang, et al.
Veröffentlicht: (2024)

Distributionally Robust Constrained Reinforcement Learning under Strong Duality
von: Zhang, Zhengfei, et al.
Veröffentlicht: (2024)

Enhancing Efficiency of Safe Reinforcement Learning via Sample Manipulation
von: Gu, Shangding, et al.
Veröffentlicht: (2024)

KL-regularization Itself is Differentially Private in Bandits and RLHF
von: Zhang, Yizhou, et al.
Veröffentlicht: (2025)

Last-Iterate Convergence of Payoff-Based Independent Learning in Zero-Sum Stochastic Games
von: Chen, Zaiwei, et al.
Veröffentlicht: (2024)

Distributionally Robust Model-Based Offline Reinforcement Learning with Near-Optimal Sample Complexity
von: Shi, Laixi, et al.
Veröffentlicht: (2022)

Robust Gymnasium: A Unified Modular Benchmark for Robust Reinforcement Learning
von: Gu, Shangding, et al.
Veröffentlicht: (2025)

Conceptual Belief-Informed Reinforcement Learning
von: Gu, Xingrui, et al.
Veröffentlicht: (2024)

Model-Free Robust $ϕ$-Divergence Reinforcement Learning Using Both Offline and Online Data
von: Panaganti, Kishan, et al.
Veröffentlicht: (2024)

Transformers Can Overcome the Curse of Dimensionality: A Theoretical Study from an Approximation Perspective
von: Jiao, Yuling, et al.
Veröffentlicht: (2025)

Federated Offline Reinforcement Learning: Collaborative Single-Policy Coverage Suffices
von: Woo, Jiin, et al.
Veröffentlicht: (2024)

Understanding Agent Scaling in LLM-Based Multi-Agent Systems via Diversity
von: Yang, Yingxuan, et al.
Veröffentlicht: (2026)

Anytime-Competitive Reinforcement Learning with Policy Prior
von: Yang, Jianyi, et al.
Veröffentlicht: (2023)

Concentration of Contractive Stochastic Approximation: Additive and Multiplicative Noise
von: Chen, Zaiwei, et al.
Veröffentlicht: (2023)

From Set Convergence to Pointwise Convergence: Finite-Time Guarantees for Average-Reward Q-Learning with Adaptive Stepsizes
von: Chen, Zaiwei, et al.
Veröffentlicht: (2025)

Achieving $\widetilde{O}(1/ε)$ Sample Complexity for Bilinear Systems Identification under Bounded Noises
von: Yi, Hongyu, et al.
Veröffentlicht: (2026)

A Minimal-Assumption Analysis of Q-Learning with Time-Varying Policies
von: Nanda, Phalguni, et al.
Veröffentlicht: (2025)

Settling the Sample Complexity of Model-Based Offline Reinforcement Learning
von: Li, Gen, et al.
Veröffentlicht: (2022)

The Curious Price of Distributional Robustness in Reinforcement Learning with a Generative Model
von: Shi, Laixi, et al.
Veröffentlicht: (2023)

BECAUSE: Bilinear Causal Representation for Generalizable Offline Model-based Reinforcement Learning
von: Lin, Haohong, et al.
Veröffentlicht: (2024)

Curse of Dimensionality in Neural Network Optimization
von: Na, Sanghoon, et al.
Veröffentlicht: (2025)

The Blessing and Curse of Dimensionality in Safety Alignment
von: Teo, Rachel S. Y., et al.
Veröffentlicht: (2025)

Achieving $ε^{-2}$ Sample Complexity for Single-Loop Actor-Critic under Minimal Assumptions
von: Hamza, Ishaq, et al.
Veröffentlicht: (2026)

Natural Policy Gradient as Doubly Smoothed Policy Iteration: A Bellman-Operator Framework
von: Nanda, Phalguni, et al.
Veröffentlicht: (2026)

How DNNs break the Curse of Dimensionality: Compositionality and Symmetry Learning
von: Jacot, Arthur, et al.
Veröffentlicht: (2024)

Mixture of Experts Softens the Curse of Dimensionality in Operator Learning
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2024)

Separable DeepONet: Breaking the Curse of Dimensionality in Physics-Informed Machine Learning
von: Mandl, Luis, et al.
Veröffentlicht: (2024)

CNNs Avoid Curse of Dimensionality by Learning on Patches
von: Madala, Vamshi C., et al.
Veröffentlicht: (2022)

Achieving $\varepsilon^{-2}$ Dependence for Average-Reward Q-Learning with a New Contraction Principle
von: Chen, Zijun, et al.
Veröffentlicht: (2026)

Sample Complexity of Offline Distributionally Robust Linear Markov Decision Processes
von: Wang, He, et al.
Veröffentlicht: (2024)

Interpreting the Curse of Dimensionality from Distance Concentration and Manifold Effect
von: Peng, Dehua, et al.
Veröffentlicht: (2023)

T2S-MPC: Time-Embedded Online Adaptive Model Predictive Control for Time-Varying Dynamics
von: Shen, Zeyu, et al.
Veröffentlicht: (2026)

Non-Asymptotic Convergence of Stochastic Iterative Algorithms: A Lyapunov Framework
von: Chen, Zaiwei, et al.
Veröffentlicht: (2026)

Do Depth-Grown Models Overcome the Curse of Depth? An In-Depth Analysis
von: Kapl, Ferdinand, et al.
Veröffentlicht: (2025)

Scalable and Certifiable Graph Unlearning: Overcoming the Approximation Error Barrier
von: Yi, Lu, et al.
Veröffentlicht: (2024)