Buchumschlag

Understanding Behavioral Metric Learning: A Large-Scale Study on Distracting Reinforcement Learning Environments

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Luo, Ziyan, Ni, Tianwei, Bacon, Pierre-Luc, Precup, Doina, Si, Xujie
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

Rotation-Preserving Supervised Fine-Tuning
von: Jin, Hangzhan, et al.
Veröffentlicht: (2026)

The Three Regimes of Offline-to-Online Reinforcement Learning
von: Li, Lu, et al.
Veröffentlicht: (2025)

Chronosymbolic Learning: Efficient CHC Solving with Symbolic Reasoning and Inductive Learning
von: Luo, Ziyan, et al.
Veröffentlicht: (2023)

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

Partial Models for Building Adaptive Model-Based Reinforcement Learning Agents
von: Alver, Safa, et al.
Veröffentlicht: (2024)

Fluid-Agent Reinforcement Learning
von: Sharma, Shishir, et al.
Veröffentlicht: (2026)

Sparse-Reg: Improving Sample Complexity in Offline Reinforcement Learning using Sparsity
von: Arnob, Samin Yeasar, et al.
Veröffentlicht: (2025)

Incorporating Spatial Information into Goal-Conditioned Hierarchical Reinforcement Learning via Graph Representations
von: Zhang, Shuyuan, et al.
Veröffentlicht: (2025)

Reinforcement Learning with Pairwise Preferences in Long-Term Decision Problems
von: Carr, Jonathan Colaço, et al.
Veröffentlicht: (2026)

Diversity-Enriched Option-Critic
von: Kamat, Anand, et al.
Veröffentlicht: (2020)

Functional Acceleration for Policy Mirror Descent
von: Chelu, Veronica, et al.
Veröffentlicht: (2024)

A Look at Value-Based Decision-Time vs. Background Planning Methods Across Different Settings
von: Alver, Safa, et al.
Veröffentlicht: (2022)

Bridging State and History Representations: Understanding Self-Predictive RL
von: Ni, Tianwei, et al.
Veröffentlicht: (2024)

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

Do Transformer World Models Give Better Policy Gradients?
von: Ma, Michel, et al.
Veröffentlicht: (2024)

Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning
von: Zhao, Mingde, et al.
Veröffentlicht: (2023)

RL Fine-Tuning Heals OOD Forgetting in SFT
von: Jin, Hangzhan, et al.
Veröffentlicht: (2025)

Adaptive Exploration for Data-Efficient General Value Function Evaluations
von: Jain, Arushi, et al.
Veröffentlicht: (2024)

More Efficient Randomized Exploration for Reinforcement Learning via Approximate Sampling
von: Ishfaq, Haque, et al.
Veröffentlicht: (2024)

Capacity-Constrained Continual Learning
von: Wen, Zheng, et al.
Veröffentlicht: (2025)

Discovering Temporal Structure: An Overview of Hierarchical Reinforcement Learning
von: Klissarov, Martin, et al.
Veröffentlicht: (2025)

MaestroMotif: Skill Design from Artificial Intelligence Feedback
von: Klissarov, Martin, et al.
Veröffentlicht: (2024)

AReaL: A Large-Scale Asynchronous Reinforcement Learning System for Language Reasoning
von: Fu, Wei, et al.
Veröffentlicht: (2025)

Policy Gradient Methods in the Presence of Symmetries and State Abstractions
von: Panangaden, Prakash, et al.
Veröffentlicht: (2023)

Fairness in Reinforcement Learning with Bisimulation Metrics
von: Rezaei-Shoshtari, Sahand, et al.
Veröffentlicht: (2024)

Finite time analysis of temporal difference learning with linear function approximation: Tail averaging and regularisation
von: Patil, Gandharv, et al.
Veröffentlicht: (2022)

Personalized Observation Normalization for Federated Reinforcement Learning in Simulation Environments with Heterogeneity
von: Pang, Yiran, et al.
Veröffentlicht: (2026)

Uncovering a Universal Abstract Algorithm for Modular Addition in Neural Networks
von: McCracken, Gavin, et al.
Veröffentlicht: (2025)

Improving the Generalization of Unseen Crowd Behaviors for Reinforcement Learning based Local Motion Planners
von: Ng, Wen Zheng Terence, et al.
Veröffentlicht: (2024)

Interpretability by Design for Efficient Multi-Objective Reinforcement Learning
von: Xia, Qiyue, et al.
Veröffentlicht: (2025)

Scaling Behaviors of LLM Reinforcement Learning Post-Training: An Empirical Study in Mathematical Reasoning
von: Tan, Zelin, et al.
Veröffentlicht: (2025)

HALO: Hierarchical Reinforcement Learning for Large-Scale Adaptive Traffic Signal Control
von: Zhu, Yaqiao, et al.
Veröffentlicht: (2025)

Long-Horizon Model-Based Offline Reinforcement Learning Without Explicit Conservatism
von: Ni, Tianwei, et al.
Veröffentlicht: (2025)

Mixtures of Experts Unlock Parameter Scaling for Deep RL
von: Obando-Ceron, Johan, et al.
Veröffentlicht: (2024)

Large Scale Constrained Clustering With Reinforcement Learning
von: Schesch, Benedikt, et al.
Veröffentlicht: (2024)

Offline Learning and Forgetting for Reasoning with Large Language Models
von: Ni, Tianwei, et al.
Veröffentlicht: (2025)

Surrogate Fitness Metrics for Interpretable Reinforcement Learning
von: Altmann, Philipp, et al.
Veröffentlicht: (2025)

A Survey of Imitation Learning Methods, Environments and Metrics
von: Gavenski, Nathan, et al.
Veröffentlicht: (2024)

Reward Redistribution for CVaR MDPs using a Bellman Operator on L-infinity
von: Muni, Aneri, et al.
Veröffentlicht: (2026)

RLAX: Large-Scale, Distributed Reinforcement Learning for Large Language Models on TPUs
von: Zhou, Runlong, et al.
Veröffentlicht: (2025)