Buchumschlag

Towards Understanding the Benefit of Multitask Representation Learning in Decision Process

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lu, Rui, Yue, Yang, Zhao, Andrew, Du, Simon, Huang, Gao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Offline Multitask Representation Learning for Reinforcement Learning
von: Ishfaq, Haque, et al.
Veröffentlicht: (2024)

Losses Can Be Blessings: Routing Self-Supervised Speech Representations Towards Efficient Multilingual and Multitask Speech Processing
von: Fu, Yonggan, et al.
Veröffentlicht: (2022)

Geometric Active Exploration in Markov Decision Processes: the Benefit of Abstraction
von: De Santi, Riccardo, et al.
Veröffentlicht: (2024)

Learning Representation for Multitask learning through Self Supervised Auxiliary learning
von: Shin, Seokwon, et al.
Veröffentlicht: (2024)

Towards Understanding The Calibration Benefits of Sharpness-Aware Minimization
von: Tan, Chengli, et al.
Veröffentlicht: (2025)

Horizon-Free Regret for Linear Markov Decision Processes
von: Zhang, Zihan, et al.
Veröffentlicht: (2024)

Robust Offline Reinforcement Learning for Non-Markovian Decision Processes
von: Huang, Ruiquan, et al.
Veröffentlicht: (2024)

Black-Box Privacy Attacks on Shared Representations in Multitask Learning
von: Abascal, John, et al.
Veröffentlicht: (2025)

Disentangled Representation Learning for Parametric Partial Differential Equations
von: Liu, Ning, et al.
Veröffentlicht: (2024)

Towards Generalising Neural Topical Representations
von: Yang, Xiaohao, et al.
Veröffentlicht: (2023)

Best-of-Both-Worlds for Heavy-Tailed Markov Decision Processes
von: Chen, Yu, et al.
Veröffentlicht: (2026)

Towards Understanding Text Hallucination of Diffusion Models via Local Generation Bias
von: Lu, Rui, et al.
Veröffentlicht: (2025)

What Do GNNs Actually Learn? Towards Understanding their Representations
von: Nikolentzos, Giannis, et al.
Veröffentlicht: (2023)

Toward Temporal Causal Representation Learning with Tensor Decomposition
von: Chen, Jianhong, et al.
Veröffentlicht: (2025)

A Dialogue between Causal and Traditional Representation Learning: Toward Mutual Benefits in a Unified Formulation
von: Li, Yan, et al.
Veröffentlicht: (2026)

Self-Supervised Representation Learning for Geospatial Objects: A Survey
von: Chen, Yile, et al.
Veröffentlicht: (2024)

Understanding the Generalization Benefits of Late Learning Rate Decay
von: Ren, Yinuo, et al.
Veröffentlicht: (2024)

Towards Context-Aware Domain Generalization: Understanding the Benefits and Limits of Marginal Transfer Learning
von: Müller, Jens, et al.
Veröffentlicht: (2023)

Towards Understanding Feature Learning in Parameter Transfer
von: Yuan, Hua, et al.
Veröffentlicht: (2025)

On Provable Benefits of Muon in Federated Learning
von: Zhang, Xinwen, et al.
Veröffentlicht: (2025)

Relaxed Equivariance via Multitask Learning
von: Elhag, Ahmed A., et al.
Veröffentlicht: (2024)

Understanding the Gain from Data Filtering in Multimodal Contrastive Learning
von: Pareek, Divyansh, et al.
Veröffentlicht: (2025)

Towards Understanding How Transformers Learn In-context Through a Representation Learning Lens
von: Ren, Ruifeng, et al.
Veröffentlicht: (2023)

A Survey of Weight Space Learning: Understanding, Representation, and Generation
von: Han, Xiaolong, et al.
Veröffentlicht: (2026)

Multitask Learning with Stochastic Interpolants
von: Negrel, Hugo, et al.
Veröffentlicht: (2025)

Towards Poisoning Fair Representations
von: Liu, Tianci, et al.
Veröffentlicht: (2023)

Multitask Online Learning: Listen to the Neighborhood Buzz
von: Achddou, Juliette, et al.
Veröffentlicht: (2023)

VMMU: A Vietnamese Multitask Multimodal Understanding and Reasoning Benchmark
von: Dang, Vy Tuong, et al.
Veröffentlicht: (2025)

Transition Transfer $Q$-Learning for Composite Markov Decision Processes
von: Chai, Jinhang, et al.
Veröffentlicht: (2025)

Multitask-Informed Prior for In-Context Learning on Tabular Data: Application to Steel Property Prediction
von: Sinodinos, Dimitrios, et al.
Veröffentlicht: (2026)

Business Process Simulation: Probabilistic Modeling of Intermittent Resource Availability and Multitasking Behavior
von: López-Pintado, Orlenys, et al.
Veröffentlicht: (2024)

Gaussian Process Limit Reveals Structural Benefits of Graph Transformers
von: Ayday, Nil, et al.
Veröffentlicht: (2026)

$α$VIL: Learning to Leverage Auxiliary Tasks for Multitask Learning
von: Kourdis, Rafael, et al.
Veröffentlicht: (2024)

Towards Understanding the Shape of Representations in Protein Language Models
von: Beshkov, Kosio, et al.
Veröffentlicht: (2025)

Task Weighting through Gradient Projection for Multitask Learning
von: Bohn, Christian, et al.
Veröffentlicht: (2024)

Multitask Learning Can Improve Worst-Group Outcomes
von: Kulkarni, Atharva, et al.
Veröffentlicht: (2023)

HeMeNet: Heterogeneous Multichannel Equivariant Network for Protein Multitask Learning
von: Han, Rong, et al.
Veröffentlicht: (2024)

Learning An Interpretable Risk Scoring System for Maximizing Decision Net Benefit
von: Chi, Wenhao, et al.
Veröffentlicht: (2026)

Investigating the Benefits of Projection Head for Representation Learning
von: Xue, Yihao, et al.
Veröffentlicht: (2024)

On the Cost and Benefit of Chain of Thought: A Learning-Theoretic Perspective
von: Zhang, Yue, et al.
Veröffentlicht: (2026)