Buchumschlag

An Empirical Study of Deep Reinforcement Learning in Continuing Tasks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wan, Yi, Korenkevych, Dmytro, Zhu, Zheqing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Rethinking the Design of Reinforcement Learning-Based Deep Research Agents
von: Wan, Yi, et al.
Veröffentlicht: (2025)

Pearl: A Production-ready Reinforcement Learning Agent
von: Zhu, Zheqing, et al.
Veröffentlicht: (2023)

On Generating Explanations for Reinforcement Learning Policies: An Empirical Study
von: Yuasa, Mikihisa, et al.
Veröffentlicht: (2023)

Investigating and Extending Homans' Social Exchange Theory with Large Language Model based Agents
von: Wang, Lei, et al.
Veröffentlicht: (2025)

Not All Tasks Are Equally Difficult: Multi-Task Deep Reinforcement Learning with Dynamic Depth Routing
von: He, Jinmin, et al.
Veröffentlicht: (2023)

Weight Clipping for Deep Continual and Reinforcement Learning
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

Proximal Curriculum with Task Correlations for Deep Reinforcement Learning
von: Tzannetos, Georgios, et al.
Veröffentlicht: (2024)

Understanding What Affects the Generalization Gap in Visual Reinforcement Learning: Theory and Empirical Evidence
von: Lyu, Jiafei, et al.
Veröffentlicht: (2024)

Beyond Accuracy: An Empirical Study on Unit Testing in Open-source Deep Learning Projects
von: Wang, Han, et al.
Veröffentlicht: (2024)

Scaling Behaviors of LLM Reinforcement Learning Post-Training: An Empirical Study in Mathematical Reasoning
von: Tan, Zelin, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning with Task-Adaptive Retrieval via Hypernetwork
von: Jin, Yonggang, et al.
Veröffentlicht: (2023)

Empirical Design in Reinforcement Learning
von: Patterson, Andrew, et al.
Veröffentlicht: (2023)

Using Curiosity for an Even Representation of Tasks in Continual Offline Reinforcement Learning
von: Pathmanathan, Pankayaraj, et al.
Veröffentlicht: (2023)

Agentic Frameworks for Reasoning Tasks: An Empirical Study
von: Rasheed, Zeeshan, et al.
Veröffentlicht: (2026)

Task Allocation for Autonomous Machines using Computational Intelligence and Deep Reinforcement Learning
von: Nguyen, Thanh Thi, et al.
Veröffentlicht: (2025)

MTLight: Efficient Multi-Task Reinforcement Learning for Traffic Signal Control
von: Zhu, Liwen, et al.
Veröffentlicht: (2024)

IQL-TD-MPC: Implicit Q-Learning for Hierarchical Model Predictive Control
von: Chitnis, Rohan, et al.
Veröffentlicht: (2023)

Towards Batch-to-Streaming Deep Reinforcement Learning for Continuous Control
von: De Monte, Riccardo, et al.
Veröffentlicht: (2026)

Broad Critic Deep Actor Reinforcement Learning for Continuous Control
von: Thalagala, Shiron, et al.
Veröffentlicht: (2024)

Continual Reinforcement Learning via Autoencoder-Driven Task and New Environment Recognition
von: Erden, Zeki Doruk, et al.
Veröffentlicht: (2025)

An Empirical Study and Theoretical Explanation on Task-Level Model-Merging Collapse
von: Cao, Yuan, et al.
Veröffentlicht: (2026)

How Well Do LLMs Perform on the Simplest Long-Chain Reasoning Tasks: An Empirical Study on the Equivalence Class Problem
von: Zheng, Chun, et al.
Veröffentlicht: (2026)

An Empirical Study of Fault Localisation Techniques for Deep Learning
von: Humbatova, Nargiz, et al.
Veröffentlicht: (2024)

An Empirical Study of Knowledge Distillation for Code Understanding Tasks
von: Wang, Ruiqi, et al.
Veröffentlicht: (2025)

In-Context Learning in Linear vs. Quadratic Attention Models: An Empirical Study on Regression Tasks
von: Goel, Ayush, et al.
Veröffentlicht: (2026)

Continual Learning as Computationally Constrained Reinforcement Learning
von: Kumar, Saurabh, et al.
Veröffentlicht: (2023)

Solving Deep Reinforcement Learning Tasks with Evolution Strategies and Linear Policy Networks
von: Wong, Annie, et al.
Veröffentlicht: (2024)

VAPO: Efficient and Reliable Reinforcement Learning for Advanced Reasoning Tasks
von: Yue, Yu, et al.
Veröffentlicht: (2025)

Efficient Multi-Task Reinforcement Learning via Task-Specific Action Correction
von: Feng, Jinyuan, et al.
Veröffentlicht: (2024)

Decoupling Numerical and Structural Parameters: An Empirical Study on Adaptive Genetic Algorithms via Deep Reinforcement Learning for the Large-Scale TSP
von: Wang, Hongyu, et al.
Veröffentlicht: (2026)

Reward Models in Deep Reinforcement Learning: A Survey
von: Yu, Rui, et al.
Veröffentlicht: (2025)

Decision Theory-Guided Deep Reinforcement Learning for Fast Learning
von: Wan, Zelin, et al.
Veröffentlicht: (2024)

Continual Knowledge Adaptation for Reinforcement Learning
von: Hu, Jinwu, et al.
Veröffentlicht: (2025)

Demystifying the Physics of Deep Reinforcement Learning-Based Autonomous Vehicle Decision-Making
von: Wan, Hanxi, et al.
Veröffentlicht: (2024)

Empirical Study on Robustness and Resilience in Cooperative Multi-Agent Reinforcement Learning
von: Li, Simin, et al.
Veröffentlicht: (2025)

An Empirical Study on Reinforcement Learning for Reasoning-Search Interleaved LLM Agents
von: Jin, Bowen, et al.
Veröffentlicht: (2025)

BehaviorGuard: Online Backdoor Defense for Deep Reinforcement Learning
von: Yu, Yinbo, et al.
Veröffentlicht: (2026)

A priori Estimates for Deep Residual Network in Continuous-time Reinforcement Learning
von: Yin, Shuyu, et al.
Veröffentlicht: (2024)

Task Scheduling & Forgetting in Multi-Task Reinforcement Learning
von: Speckmann, Marc, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Out-of-Distribution Reasoning in LLMs: An Empirical Study on Diagnosis-Related Group Coding
von: Wang, Hanyin, et al.
Veröffentlicht: (2025)