Buchumschlag

Eau De $Q$-Network: Adaptive Distillation of Neural Networks in Deep Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vincent, Théo, Faust, Tim, Tripathi, Yogesh, Peters, Jan, D'Eramo, Carlo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive $Q$-Network: On-the-fly Target Selection for Deep Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2024)

Iterated $Q$-Network: Beyond One-Step Bellman Updates in Deep Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2024)

Bridging the Performance Gap Between Target-Free and Target-Based Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2025)

Gradient Iterated Temporal-Difference Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2026)

$K$-Level Policy Gradients for Multi-Agent Reinforcement Learning
von: Reddi, Aryaman, et al.
Veröffentlicht: (2025)

Parameterized Projected Bellman Operator
von: Vincent, Théo, et al.
Veröffentlicht: (2023)

Use the Online Network If You Can: Towards Fast and Stable Reinforcement Learning
von: Hendawy, Ahmed, et al.
Veröffentlicht: (2025)

Multi-Task Reinforcement Learning with Mixture of Orthogonal Experts
von: Hendawy, Ahmed, et al.
Veröffentlicht: (2023)

Sharing Knowledge in Multi-Task Deep Reinforcement Learning
von: D'Eramo, Carlo, et al.
Veröffentlicht: (2024)

On the Benefit of Optimal Transport for Curriculum Reinforcement Learning
von: Klink, Pascal, et al.
Veröffentlicht: (2023)

Streaming Reinforcement Learning under Partial Observability with Real-Time Recurrent Learning
von: Farr, Noah, et al.
Veröffentlicht: (2026)

Learning to Explore in Diverse Reward Settings via Temporal-Difference-Error Maximization
von: Griesbach, Sebastian, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning Agents are not even close to Human Intelligence
von: Delfosse, Quentin, et al.
Veröffentlicht: (2025)

Deterministic Exploration via Stationary Bellman Error Maximization
von: Griesbach, Sebastian, et al.
Veröffentlicht: (2024)

Dynamic Obstacle Avoidance with Bounded Rationality Adversarial Reinforcement Learning
von: Holgado-Alvarez, Jose-Luis, et al.
Veröffentlicht: (2025)

Contact Energy Based Hindsight Experience Prioritization
von: Sayar, Erdi, et al.
Veröffentlicht: (2023)

Random Network Distillation Based Deep Reinforcement Learning for AGV Path Planning
von: Yin, Huilin, et al.
Veröffentlicht: (2024)

RL-ACRGNet: Reinforcement Learning-Based Chest Radiology Report Generation Network
von: Meena, Yogesh Kumar, et al.
Veröffentlicht: (2026)

XQC: Well-conditioned Optimization Accelerates Deep Reinforcement Learning
von: Palenicek, Daniel, et al.
Veröffentlicht: (2025)

Do Not Imitate, Reinforce: Iterative Classification via Belief Refinement
von: Kallel, Mahdi, et al.
Veröffentlicht: (2026)

Distilling Symbolic Priors for Concept Learning into Neural Networks
von: Marinescu, Ioana, et al.
Veröffentlicht: (2024)

Explainable Hierarchical Deep Learning Neural Networks (Ex-HiDeNN)
von: Batley, Reza T., et al.
Veröffentlicht: (2025)

Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution
von: Seyde, Tim, et al.
Veröffentlicht: (2024)

Learning Distinguishable Representations in Deep Q-Networks for Linear Transfer
von: Sathish, Sooraj, et al.
Veröffentlicht: (2025)

Resource-Aware Neural Network Pruning Using Graph-based Reinforcement Learning
von: Balemans, Dieter, et al.
Veröffentlicht: (2025)

Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning
von: Mao, Yixiu, et al.
Veröffentlicht: (2025)

Logical Distillation of Graph Neural Networks
von: Pluska, Alexander, et al.
Veröffentlicht: (2024)

SPEQ: Offline Stabilization Phases for Efficient Q-Learning in High Update-To-Data Ratio Reinforcement Learning
von: Romeo, Carlo, et al.
Veröffentlicht: (2025)

Universal Approximation Theorem of Deep Q-Networks
von: Qi, Qian
Veröffentlicht: (2025)

Scaling CrossQ with Weight Normalization
von: Palenicek, Daniel, et al.
Veröffentlicht: (2025)

Pretraining a Shared Q-Network for Data-Efficient Offline Reinforcement Learning
von: Park, Jongchan, et al.
Veröffentlicht: (2025)

Learning Dynamics of Deep Learning -- Force Analysis of Deep Neural Networks
von: Ren, Yi
Veröffentlicht: (2025)

Distilled Neural Networks for Efficient Learning to Rank
von: Nardini, F. M., et al.
Veröffentlicht: (2022)

Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability
von: Luis, Carlos E., et al.
Veröffentlicht: (2024)

A* Search Without Expansions: Learning Heuristic Functions with Deep Q-Networks
von: Agostinelli, Forest, et al.
Veröffentlicht: (2021)

Automaton Distillation: Neuro-Symbolic Transfer Learning for Deep Reinforcement Learning
von: Singireddy, Suraj, et al.
Veröffentlicht: (2023)

Adaptive Width Neural Networks
von: Errica, Federico, et al.
Veröffentlicht: (2025)

Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Reinforcement Learning
von: Seo, Younggyo, et al.
Veröffentlicht: (2024)

Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning
von: Ma, Guozheng, et al.
Veröffentlicht: (2025)

A Functional Perspective on Knowledge Distillation in Neural Networks
von: Mason-Williams, Israel, et al.
Veröffentlicht: (2025)