Buchumschlag

Coreset-Based Task Selection for Sample-Efficient Meta-Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhan, Donglin, Toso, Leonardo F., Anderson, James
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Optimization and Control Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Data-Efficient and Robust Task Selection for Meta-Learning
von: Zhan, Donglin, et al.
Veröffentlicht: (2024)

Meta-Learning Linear Quadratic Regulators: A Policy Gradient MAML Approach for Model-free LQR
von: Toso, Leonardo F., et al.
Veröffentlicht: (2024)

Learning Invariant Visual Representations for Planning with Joint-Embedding Predictive World Models
von: Toso, Leonardo F., et al.
Veröffentlicht: (2026)

Learning Stabilizing Policies via an Unstable Subspace Representation
von: Toso, Leonardo F., et al.
Veröffentlicht: (2025)

On the Gradient Domination of the LQG Problem
von: Fallah, Kasra, et al.
Veröffentlicht: (2025)

Adversarially Robust Multitask Adaptive Control
von: Fallah, Kasra, et al.
Veröffentlicht: (2025)

Collaborative Bayesian Optimization via Wasserstein Barycenters
von: Zhan, Donglin, et al.
Veröffentlicht: (2025)

Sample-Efficient Reinforcement Learning of Koopman eNMPC
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2025)

Sample Efficient Reinforcement Learning with Partial Dynamics Knowledge
von: Alharbi, Meshal, et al.
Veröffentlicht: (2023)

Exploiting Exogenous Structure for Sample-Efficient Reinforcement Learning
von: Wan, Jia, et al.
Veröffentlicht: (2024)

Finite-Time Analysis of On-Policy Heterogeneous Federated Reinforcement Learning
von: Zhang, Chenyu, et al.
Veröffentlicht: (2024)

TreeDQN: Sample-Efficient Off-Policy Reinforcement Learning for Combinatorial Optimization
von: Sorokin, D., et al.
Veröffentlicht: (2023)

Sample-Efficient Linear Representation Learning from Non-IID Non-Isotropic Data
von: Zhang, Thomas T. C. K., et al.
Veröffentlicht: (2023)

A Reinforcement-Learning-Based Multiple-Column Selection Strategy for Column Generation
von: Yuan, Haofeng, et al.
Veröffentlicht: (2023)

Asynchronous Heterogeneous Linear Quadratic Regulator Design
von: Toso, Leonardo F., et al.
Veröffentlicht: (2024)

Meta-Learning from Learning Curves for Budget-Limited Algorithm Selection
von: Nguyen, Manh Hung, et al.
Veröffentlicht: (2024)

Sample Complexity of Distributionally Robust Average-Reward Reinforcement Learning
von: Chen, Zijun, et al.
Veröffentlicht: (2025)

Sampling-based Safe Reinforcement Learning for Nonlinear Dynamical Systems
von: Suttle, Wesley A., et al.
Veröffentlicht: (2024)

Towards Fast Rates for Federated and Multi-Task Reinforcement Learning
von: Zhu, Feng, et al.
Veröffentlicht: (2024)

Convergence and Sample Complexity of First-Order Methods for Agnostic Reinforcement Learning
von: Sherman, Uri, et al.
Veröffentlicht: (2025)

Reinforcement Learning applied to Insurance Portfolio Pursuit
von: Young, Edward James, et al.
Veröffentlicht: (2024)

The Sample Complexity of Online Reinforcement Learning: A Multi-model Perspective
von: Muehlebach, Michael, et al.
Veröffentlicht: (2025)

Sample Complexity of the Linear Quadratic Regulator: A Reinforcement Learning Lens
von: Moghaddam, Amirreza Neshaei, et al.
Veröffentlicht: (2024)

Natural Policy Gradient and Actor Critic Methods for Constrained Multi-Task Reinforcement Learning
von: Zeng, Sihan, et al.
Veröffentlicht: (2024)

Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency
von: Cai, Qi, et al.
Veröffentlicht: (2022)

SINDy-RL: Interpretable and Efficient Model-Based Reinforcement Learning
von: Zolman, Nicholas, et al.
Veröffentlicht: (2024)

Momentum for the Win: Collaborative Federated Reinforcement Learning across Heterogeneous Environments
von: Wang, Han, et al.
Veröffentlicht: (2024)

Sample-Efficient Agnostic Boosting
von: Ghai, Udaya, et al.
Veröffentlicht: (2024)

Traversing Pareto Optimal Policies: Provably Efficient Multi-Objective Reinforcement Learning
von: Qiu, Shuang, et al.
Veröffentlicht: (2024)

Modified Meta-Thompson Sampling for Linear Bandits and Its Bayes Regret Analysis
von: Li, Hao, et al.
Veröffentlicht: (2024)

Near-optimal and Efficient First-Order Algorithm for Multi-Task Learning with Shared Linear Representation
von: Ding, Shihong, et al.
Veröffentlicht: (2026)

Offline Hierarchical Reinforcement Learning via Inverse Optimization
von: Schmidt, Carolin, et al.
Veröffentlicht: (2024)

A Minibatch-SGD-Based Learning Meta-Policy for Inventory Systems with Myopic Optimal Policy
von: Lyu, Jiameng, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Intensity Control: An Application to Choice-Based Network Revenue Management
von: Meng, Huiling, et al.
Veröffentlicht: (2024)

Federated Temporal Difference Learning with Linear Function Approximation under Environmental Heterogeneity
von: Wang, Han, et al.
Veröffentlicht: (2023)

Memory-Reduced Meta-Learning with Guaranteed Convergence
von: Yang, Honglin, et al.
Veröffentlicht: (2024)

ART for Diffusion Sampling: A Reinforcement Learning Approach to Timestep Schedule
von: Huang, Yilie, et al.
Veröffentlicht: (2026)

Sample Complexity of Algorithm Selection Using Neural Networks and Its Applications to Branch-and-Cut
von: Cheng, Hongyu, et al.
Veröffentlicht: (2024)

Multi-Task Learning Based on Support Vector Machines and Twin Support Vector Machines: A Comprehensive Survey
von: Bazikar, Fatemeh, et al.
Veröffentlicht: (2025)

Resilient Constrained Reinforcement Learning
von: Ding, Dongsheng, et al.
Veröffentlicht: (2023)