Buchumschlag

Learning to explore when mistakes are not allowed

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pecqueux-Guézénec, Charly, Doncieux, Stéphane, Perrin-Gilbert, Nicolas
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Pitfalls of Imitation Learning when Actions are Continuous
von: Simchowitz, Max, et al.
Veröffentlicht: (2025)

Safe exploration in reproducing kernel Hilbert spaces
von: Tokmak, Abdullah, et al.
Veröffentlicht: (2025)

High Effort, Low Gain: Fundamental Limits of Active Learning for Linear Dynamical Systems
von: Chatzikiriakos, Nicolas, et al.
Veröffentlicht: (2025)

Operator Models for Continuous-Time Offline Reinforcement Learning
von: Hoischen, Nicolas, et al.
Veröffentlicht: (2025)

Sample Complexity Bounds for Linear System Identification from a Finite Set
von: Chatzikiriakos, Nicolas, et al.
Veröffentlicht: (2024)

End-to-end guarantees for indirect data-driven control of bilinear systems with finite stochastic data
von: Chatzikiriakos, Nicolas, et al.
Veröffentlicht: (2024)

Data-efficient, Explainable and Safe Box Manipulation: Illustrating the Advantages of Physical Priors in Model-Predictive Control
von: Salehi, Achkan, et al.
Veröffentlicht: (2023)

Data-Driven Stochastic Optimal Control in Reproducing Kernel Hilbert Spaces
von: Hoischen, Nicolas, et al.
Veröffentlicht: (2024)

Fast and Reliable $N-k$ Contingency Screening with Input-Convex Neural Networks
von: Christianson, Nicolas, et al.
Veröffentlicht: (2024)

Algorithmic Control Improves Residential Building Energy and EV Management when PV Capacity is High but Battery Capacity is Low
von: Ullner, Lennart, et al.
Veröffentlicht: (2025)

Reference-Free Sampling-Based Model Predictive Control
von: Schramm, Fabian, et al.
Veröffentlicht: (2025)

Safely Learning Dynamical Systems
von: Ahmadi, Amir Ali, et al.
Veröffentlicht: (2023)

Learning Dissipative Neural Dynamical Systems
von: Xu, Yuezhu, et al.
Veröffentlicht: (2023)

Robust Online Learning over Networks
von: Bastianello, Nicola, et al.
Veröffentlicht: (2023)

Optimization and Learning in Open Multi-Agent Systems
von: Deplano, Diego, et al.
Veröffentlicht: (2025)

Why Line Search when you can Plane Search? SO-Friendly Neural Networks allow Per-Iteration Optimization of Learning and Momentum Rates for Every Layer
von: Shea, Betty, et al.
Veröffentlicht: (2024)

Principled Learning-to-Communicate with Quasi-Classical Information Structures
von: Liu, Xiangyu, et al.
Veröffentlicht: (2026)

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

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

Structured Cooperative Multi-Agent Reinforcement Learning: a Bayesian Network Perspective
von: Syed, Shahbaz P Qadri, et al.
Veröffentlicht: (2025)

Communication-Efficient Learning for Satellite Constellations
von: Tudose, Ruxandra-Stefania, et al.
Veröffentlicht: (2025)

Safe Online Control-Informed Learning
von: Zhou, Tianyu, et al.
Veröffentlicht: (2025)

Communication-Efficient Stochastic Distributed Learning
von: Ren, Xiaoxing, et al.
Veröffentlicht: (2025)

Learning to Sparsify Stochastic Linear Bandits
von: Wang, Zhengmiao, et al.
Veröffentlicht: (2026)

On the Foundation of Distributionally Robust Reinforcement Learning
von: Wang, Shengbo, et al.
Veröffentlicht: (2023)

Online Learning for Supervisory Switching Control
von: Sun, Haoyuan, et al.
Veröffentlicht: (2026)

Integration Matters for Learning PDEs with Backward SDEs
von: Park, Sungje, et al.
Veröffentlicht: (2025)

Jointly Computation- and Communication-Efficient Distributed Learning
von: Ren, Xiaoxing, et al.
Veröffentlicht: (2025)

Offline Reinforcement Learning via Inverse Optimization
von: Dimanidis, Ioannis, et al.
Veröffentlicht: (2025)

Modular Distributed Nonconvex Learning with Error Feedback
von: Carnevale, Guido, et al.
Veröffentlicht: (2025)

(Un)supervised Learning of Maximal Lyapunov Functions
von: Barreau, Matthieu, et al.
Veröffentlicht: (2024)

Learning Linear Dynamics from Bilinear Observations
von: Sattar, Yahya, et al.
Veröffentlicht: (2024)

Robust Q-Learning under Corrupted Rewards
von: Maity, Sreejeet, et al.
Veröffentlicht: (2024)

Learning Exactly Linearizable Deep Dynamics Models
von: Moriyasu, Ryuta, et al.
Veröffentlicht: (2023)

Kernel-Based Optimal Control: An Infinitesimal Generator Approach
von: Bevanda, Petar, et al.
Veröffentlicht: (2024)

Concurrent Learning of Policy and Unknown Safety Constraints in Reinforcement Learning
von: Yifru, Lunet, et al.
Veröffentlicht: (2024)

Cross-fitted Proximal Learning for Model-Based Reinforcement Learning
von: Venkatesh, Nishanth, et al.
Veröffentlicht: (2026)

Optimism as Risk-Seeking in Multi-Agent Reinforcement Learning
von: Zhang, Runyu, et al.
Veröffentlicht: (2025)

Meta-Learning for Physically-Constrained Neural System Identification
von: Chakrabarty, Ankush, et al.
Veröffentlicht: (2025)

Convergence and stability of Q-learning in Hierarchical Reinforcement Learning
von: Manenti, Massimiliano, et al.
Veröffentlicht: (2025)