Buchumschlag

Rethinking the Foundations for Continual Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Elelimy, Esraa, Szepesvari, David, White, Martha, Bowling, Michael
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

Real-Time Recurrent Learning using Trace Units in Reinforcement Learning
von: Elelimy, Esraa, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning with Gradient Eligibility Traces
von: Elelimy, Esraa, et al.
Veröffentlicht: (2025)

AGaLiTe: Approximate Gated Linear Transformers for Online Reinforcement Learning
von: Pramanik, Subhojeet, et al.
Veröffentlicht: (2023)

Investigating the Histogram Loss in Regression
von: Imani, Ehsan, et al.
Veröffentlicht: (2024)

A Method for Evaluating Hyperparameter Sensitivity in Reinforcement Learning
von: Adkins, Jacob, et al.
Veröffentlicht: (2024)

Forager: a lightweight testbed for continual learning with partial observability in RL
von: Tang, Steven, et al.
Veröffentlicht: (2026)

On the Interplay Between Sparsity and Training in Deep Reinforcement Learning
von: Davelouis, Fatima, et al.
Veröffentlicht: (2025)

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

A Generalized Projected Bellman Error for Off-policy Value Estimation in Reinforcement Learning
von: Patterson, Andrew, et al.
Veröffentlicht: (2021)

Mitigating Value Hallucination in Dyna Planning via Multistep Predecessor Models
von: Aminmansour, Farzane, et al.
Veröffentlicht: (2020)

Value Bonuses using Ensemble Errors for Exploration in Reinforcement Learning
von: Wahab, Abdul, et al.
Veröffentlicht: (2026)

Proper Laplacian Representation Learning
von: Gomez, Diego, et al.
Veröffentlicht: (2023)

Harnessing Discrete Representations For Continual Reinforcement Learning
von: Meyer, Edan, et al.
Veröffentlicht: (2023)

A New View on Planning in Online Reinforcement Learning
von: Roice, Kevin, et al.
Veröffentlicht: (2024)

Beyond Statistical Learning: Exact Learning Is Essential for General Intelligence
von: György, András, et al.
Veröffentlicht: (2025)

Generalized Munchausen Reinforcement Learning using Tsallis KL Divergence
von: Zhu, Lingwei, et al.
Veröffentlicht: (2023)

When is Offline Policy Selection Sample Efficient for Reinforcement Learning?
von: Liu, Vincent, et al.
Veröffentlicht: (2023)

Learning to Be Cautious
von: Mohammedalamen, Montaser, et al.
Veröffentlicht: (2021)

Balancing optimism and pessimism in offline-to-online learning
von: Sentenac, Flore, et al.
Veröffentlicht: (2025)

Rethinking Plasticity in Deep Reinforcement Learning
von: He, Zhiqiang
Veröffentlicht: (2026)

Ergodic Risk Measures: Towards a Risk-Aware Foundation for Continual Reinforcement Learning
von: Rojas, Juan Sebastian, et al.
Veröffentlicht: (2025)

Parseval Regularization for Continual Reinforcement Learning
von: Chung, Wesley, et al.
Veröffentlicht: (2024)

Rethinking Momentum Knowledge Distillation in Online Continual Learning
von: Michel, Nicolas, et al.
Veröffentlicht: (2023)

Agnostic Reinforcement Learning: Foundations and Algorithms
von: Li, Gene
Veröffentlicht: (2025)

Meta-Gradient Search Control: A Method for Improving the Efficiency of Dyna-style Planning
von: Burega, Bradley, et al.
Veröffentlicht: (2024)

Knowledge Retention for Continual Model-Based Reinforcement Learning
von: Sun, Yixiang, et al.
Veröffentlicht: (2025)

Cog-Rethinker: Hierarchical Metacognitive Reinforcement Learning for LLM Reasoning
von: Sun, Zexu, et al.
Veröffentlicht: (2025)

Fine-Tuning without Performance Degradation
von: Wang, Han, et al.
Veröffentlicht: (2025)

Demystifying the Recency Heuristic in Temporal-Difference Learning
von: Daley, Brett, et al.
Veröffentlicht: (2024)

Rethinking Adversarial Attacks in Reinforcement Learning from Policy Distribution Perspective
von: Duan, Tianyang, et al.
Veröffentlicht: (2025)

Rethinking Inverse Reinforcement Learning: from Data Alignment to Task Alignment
von: Zhou, Weichao, et al.
Veröffentlicht: (2024)

Topological Foundations of Reinforcement Learning
von: Kadurha, David Krame
Veröffentlicht: (2024)

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

Diffusion Models for Reinforcement Learning: Foundations, Taxonomy, and Development
von: Xu, Changfu, et al.
Veröffentlicht: (2025)

A Survey of Continual Reinforcement Learning
von: Pan, Chaofan, et al.
Veröffentlicht: (2025)

Parameter Importance-Driven Continual Learning for Foundation Models
von: Wang, Lingxiang, et al.
Veröffentlicht: (2025)

VL-Rethinker: Incentivizing Self-Reflection of Vision-Language Models with Reinforcement Learning
von: Wang, Haozhe, et al.
Veröffentlicht: (2025)

Rethinking Out-of-Distribution Detection for Reinforcement Learning: Advancing Methods for Evaluation and Detection
von: Nasvytis, Linas, et al.
Veröffentlicht: (2024)

Counteractive RL: Rethinking Core Principles for Efficient and Scalable Deep Reinforcement Learning
von: Korkmaz, Ezgi
Veröffentlicht: (2026)

Operator-Guided Invariance Learning for Continuous Reinforcement Learning
von: Zhang, Zuyuan, et al.
Veröffentlicht: (2026)