Buchumschlag

Investigating the Treacherous Turn in Deep Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ashcraft, Chace, Karra, Kiran, Carney, Josh, Drenkow, Nathan
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

Backdoors in DRL: Four Environments Focusing on In-distribution Triggers
von: Ashcraft, Chace, et al.
Veröffentlicht: (2025)

Causality-Driven Audits of Model Robustness
von: Drenkow, Nathan, et al.
Veröffentlicht: (2024)

Trusted Weights, Treacherous Optimizations? Optimization-Triggered Backdoor Attacks on LLMs
von: Wang, Yifei, et al.
Veröffentlicht: (2026)

POLO: Preference-Guided Multi-Turn Reinforcement Learning for Lead Optimization
von: Wang, Ziqing, et al.
Veröffentlicht: (2025)

Deep Dive into Model-free Reinforcement Learning for Biological and Robotic Systems: Theory and Practice
von: Jiao, Yusheng, et al.
Veröffentlicht: (2024)

A Causal Framework for Aligning Image Quality Metrics and Deep Neural Network Robustness
von: Drenkow, Nathan, et al.
Veröffentlicht: (2025)

An Invitation to Deep Reinforcement Learning
von: Jaeger, Bernhard, et al.
Veröffentlicht: (2023)

BubbleSpec: Turning Long-Tail Bubbles into Speculative Rollout Drafts for Synchronous Reinforcement Learning
von: Xu, Yuhang, et al.
Veröffentlicht: (2026)

Beyond Binary: Turning Partial Success into Dense Verifiable Rewards for Reinforcement Learning in Code Generation
von: Wang, Longwen, et al.
Veröffentlicht: (2026)

SLEA-RL: Step-Level Experience Augmented Reinforcement Learning for Multi-Turn Agentic Training
von: Wang, Prince Zizhuang, et al.
Veröffentlicht: (2026)

Turn-based Multi-Agent Reinforcement Learning Model Checking
von: Gross, Dennis
Veröffentlicht: (2025)

Why Goal-Conditioned Reinforcement Learning Works: Relation to Dual Control
von: Lawrence, Nathan P., et al.
Veröffentlicht: (2025)

Causal-Paced Deep Reinforcement Learning
von: Cho, Geonwoo, et al.
Veröffentlicht: (2025)

Recursive Deep Inverse Reinforcement Learning
von: Ghanem, Paul, et al.
Veröffentlicht: (2025)

Behavior-Consistent Deep Reinforcement Learning
von: Hussing, Marcel, et al.
Veröffentlicht: (2026)

Satisficing Exploration for Deep Reinforcement Learning
von: Arumugam, Dilip, et al.
Veröffentlicht: (2024)

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

Understanding and Diagnosing Deep Reinforcement Learning
von: Korkmaz, Ezgi
Veröffentlicht: (2024)

Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning
von: Xie, Sean, et al.
Veröffentlicht: (2022)

RLFactory: A Plug-and-Play Reinforcement Learning Post-Training Framework for LLM Multi-Turn Tool-Use
von: Chai, Jiajun, et al.
Veröffentlicht: (2025)

Learning Markov State Abstractions for Deep Reinforcement Learning
von: Allen, Cameron, et al.
Veröffentlicht: (2021)

When to ASK: Uncertainty-Gated Language Assistance for Reinforcement Learning
von: Monteiro, Juarez, et al.
Veröffentlicht: (2026)

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

A Survey on Explainable Deep Reinforcement Learning
von: Cheng, Zelei, et al.
Veröffentlicht: (2025)

A Practical Introduction to Deep Reinforcement Learning
von: Sun, Yinghan, et al.
Veröffentlicht: (2025)

On The Presence of Double-Descent in Deep Reinforcement Learning
von: Veselý, Viktor, et al.
Veröffentlicht: (2025)

Adaptive Data Exploitation in Deep Reinforcement Learning
von: Yuan, Mingqi, et al.
Veröffentlicht: (2025)

Is Exploration or Optimization the Problem for Deep Reinforcement Learning?
von: Berseth, Glen
Veröffentlicht: (2025)

Understanding and Improving Hyperbolic Deep Reinforcement Learning
von: Klein, Timo, et al.
Veröffentlicht: (2025)

Fast Value Tracking for Deep Reinforcement Learning
von: Shih, Frank, et al.
Veröffentlicht: (2024)

Optimizing Automatic Differentiation with Deep Reinforcement Learning
von: Lohoff, Jamie, et al.
Veröffentlicht: (2024)

Streaming Deep Reinforcement Learning Finally Works
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

Weight Clipping for Deep Continual and Reinforcement Learning
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

Angel or Demon: Investigating the Plasticity Interventions' Impact on Backdoor Threats in Deep Reinforcement Learning
von: Ma, Oubo, et al.
Veröffentlicht: (2026)

A Survey of State Representation Learning for Deep Reinforcement Learning
von: Echchahed, Ayoub, et al.
Veröffentlicht: (2025)

Learning Interpretable Policies in Hindsight-Observable POMDPs through Partially Supervised Reinforcement Learning
von: Lanier, Michael, et al.
Veröffentlicht: (2024)

CAE: Repurposing the Critic as an Explorer in Deep Reinforcement Learning
von: Li, Yexin
Veröffentlicht: (2025)

Adventurer: Exploration with BiGAN for Deep Reinforcement Learning
von: Liu, Yongshuai, et al.
Veröffentlicht: (2025)

Energy-Efficient Deep Reinforcement Learning with Spiking Transformers
von: Uddin, Mohammad Irfan, et al.
Veröffentlicht: (2025)

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