Buchumschlag

Toward Information Theoretic Active Inverse Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bajgar, Ondrej, Gould, Sid William, Mitta, Rohan Narayan Langford, Liu, Jonathon, Newcombe, Oliver, Golden, Jack
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

PAC Apprenticeship Learning with Bayesian Active Inverse Reinforcement Learning
von: Bajgar, Ondrej, et al.
Veröffentlicht: (2025)

Walking the Values in Bayesian Inverse Reinforcement Learning
von: Bajgar, Ondrej, et al.
Veröffentlicht: (2024)

Towards Generalized Inverse Reinforcement Learning
von: Dong, Chaosheng, et al.
Veröffentlicht: (2024)

Towards Provable Emergence of In-Context Reinforcement Learning
von: Wang, Jiuqi, et al.
Veröffentlicht: (2025)

Is Inverse Reinforcement Learning Harder than Standard Reinforcement Learning? A Theoretical Perspective
von: Zhao, Lei, et al.
Veröffentlicht: (2023)

Towards an Information Theoretic Framework of Context-Based Offline Meta-Reinforcement Learning
von: Li, Lanqing, et al.
Veröffentlicht: (2024)

Fast Lifelong Adaptive Inverse Reinforcement Learning from Demonstrations
von: Chen, Letian, et al.
Veröffentlicht: (2022)

An Information-Theoretic Analysis of OOD Generalization in Meta-Reinforcement Learning
von: Liu, Xingtu
Veröffentlicht: (2025)

Towards Principled Representation Learning from Videos for Reinforcement Learning
von: Misra, Dipendra, et al.
Veröffentlicht: (2024)

Staggered Environment Resets Improve Massively Parallel On-Policy Reinforcement Learning
von: Bharthulwar, Sid, et al.
Veröffentlicht: (2025)

Recurrent Off-Policy Deep Reinforcement Learning Doesn't Have to be Slow
von: Clark, Tyler, et al.
Veröffentlicht: (2025)

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

Inverse Reinforcement Learning without Reinforcement Learning
von: Swamy, Gokul, et al.
Veröffentlicht: (2023)

Massively Scalable Inverse Reinforcement Learning in Google Maps
von: Barnes, Matt, et al.
Veröffentlicht: (2023)

Information-Theoretic Active Correlation Clustering
von: Aronsson, Linus, et al.
Veröffentlicht: (2024)

Time-Warping Recurrent Neural Networks for Transfer Learning
von: Hirschi, Jonathon
Veröffentlicht: (2026)

Beyond Verifiable Rewards: Scaling Reinforcement Learning for Language Models to Unverifiable Data
von: Tang, Yunhao, et al.
Veröffentlicht: (2025)

Vulnerability Analysis of Safe Reinforcement Learning via Inverse Constrained Reinforcement Learning
von: Fan, Jialiang, et al.
Veröffentlicht: (2026)

Distributional Inverse Reinforcement Learning
von: Wu, Feiyang, et al.
Veröffentlicht: (2025)

Confidence Aware Inverse Constrained Reinforcement Learning
von: Subramanian, Sriram Ganapathi, et al.
Veröffentlicht: (2024)

Toward Global Intent Inference for Human Motion by Inverse Reinforcement Learning
von: Mehrdad, Sarmad, et al.
Veröffentlicht: (2026)

Learning to Think: Information-Theoretic Reinforcement Fine-Tuning for LLMs
von: Wang, Jingyao, et al.
Veröffentlicht: (2025)

Multi-Agent Deep Reinforcement Learning Under Constrained Communications
von: Shaik, Shahil, et al.
Veröffentlicht: (2026)

Adversarial Inverse Reinforcement Learning for Mean Field Games
von: Chen, Yang, et al.
Veröffentlicht: (2021)

Multi-Agent Inverse Reinforcement Learning in Real World Unstructured Pedestrian Crowds
von: Chandra, Rohan, et al.
Veröffentlicht: (2024)

Apple: Toward General Active Perception via Reinforcement Learning
von: Schneider, Tim, et al.
Veröffentlicht: (2025)

Towards the Transferability of Rewards Recovered via Regularized Inverse Reinforcement Learning
von: Schlaginhaufen, Andreas, et al.
Veröffentlicht: (2024)

The Virtues of Pessimism in Inverse Reinforcement Learning
von: Wu, David, et al.
Veröffentlicht: (2024)

Convergence and Emergence of In-Context Reinforcement Learning with Chain of Thought
von: Xie, Zixuan, et al.
Veröffentlicht: (2026)

In-Trajectory Inverse Reinforcement Learning: Learn Incrementally Before An Ongoing Trajectory Terminates
von: Liu, Shicheng, et al.
Veröffentlicht: (2024)

The Impossibility of Inverse Permutation Learning in Transformer Models
von: Alur, Rohan, et al.
Veröffentlicht: (2025)

Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review
von: Hassani, Hossein, et al.
Veröffentlicht: (2024)

Hybrid Inverse Reinforcement Learning
von: Ren, Juntao, et al.
Veröffentlicht: (2024)

Quantifying the Sensitivity of Inverse Reinforcement Learning to Misspecification
von: Skalse, Joar, et al.
Veröffentlicht: (2024)

Inverse Reinforcement Learning with Multiple Planning Horizons
von: Yao, Jiayu, et al.
Veröffentlicht: (2024)

Accelerating Inverse Reinforcement Learning with Expert Bootstrapping
von: Wu, David, et al.
Veröffentlicht: (2024)

Dual Active Learning for Reinforcement Learning from Human Feedback
von: Liu, Pangpang, et al.
Veröffentlicht: (2024)

Active Inverse Learning in Stackelberg Trajectory Games
von: Ward, William, et al.
Veröffentlicht: (2023)

Beyond The Rainbow: High Performance Deep Reinforcement Learning on a Desktop PC
von: Clark, Tyler, et al.
Veröffentlicht: (2024)

Learning the Inverse Temperature of Ising Models under Hard Constraints using One Sample
von: Chauhan, Rohan, et al.
Veröffentlicht: (2025)