Buchumschlag

Safely Learning Controlled Stochastic Dynamics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Brogat-Motte, Luc, Rudi, Alessandro, Bonalli, Riccardo
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

Learning Controlled Stochastic Differential Equations
von: Brogat-Motte, Luc, et al.
Veröffentlicht: (2024)

Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence
von: Bonalli, Riccardo, et al.
Veröffentlicht: (2023)

Sketch In, Sketch Out: Accelerating both Learning and Inference for Structured Prediction with Kernels
von: Ahmad, Tamim El, et al.
Veröffentlicht: (2023)

Convex Hulls of Reachable Sets
von: Lew, Thomas, et al.
Veröffentlicht: (2023)

Structured Prediction in Online Learning
von: Boudart, Pierre, et al.
Veröffentlicht: (2024)

Dynamic Regret Reduces to Kernelized Static Regret
von: Jacobsen, Andrew, et al.
Veröffentlicht: (2025)

Risk-Aware Safe Reinforcement Learning for Control of Stochastic Linear Systems
von: Esmaeili, Babak, et al.
Veröffentlicht: (2025)

Enjoying Non-linearity in Multinomial Logistic Bandits: A Minimax-Optimal Algorithm
von: Boudart, Pierre, et al.
Veröffentlicht: (2025)

Minimax Optimal Variance-Aware Regret Bounds for Multinomial Logistic MDPs
von: Boudart, Pierre, et al.
Veröffentlicht: (2026)

Closed-form Filtering for Non-linear Systems
von: Cantelobre, Théophile, et al.
Veröffentlicht: (2024)

Controlled Langevin Dynamics for Sampling of Feedforward Neural Networks Trained with Minibatches
von: Zambon, Alessandro, et al.
Veröffentlicht: (2026)

SE-VGAE: Unsupervised Disentangled Representation Learning for Interpretable Architectural Layout Design Graph Generation
von: Chen, Jielin, et al.
Veröffentlicht: (2024)

Provably Safe Reinforcement Learning for Stochastic Reach-Avoid Problems with Entropy Regularization
von: Mazumdar, Abhijit, et al.
Veröffentlicht: (2026)

Safe RLHF Beyond Expectation: Stochastic Dominance for Universal Spectral Risk Control
von: Chittepu, Yaswanth, et al.
Veröffentlicht: (2026)

Convergence Properties of Stochastic Hypergradients
von: Grazzi, Riccardo, et al.
Veröffentlicht: (2020)

Unveiling the Actual Performance of Neural-based Models for Equation Discovery on Graph Dynamical Systems
von: Cappi, Riccardo, et al.
Veröffentlicht: (2025)

Safe and Near-Optimal Control with Online Dynamics Learning
von: Prajapat, Manish, et al.
Veröffentlicht: (2025)

Controlling Underestimation Bias in Constrained Reinforcement Learning for Safe Exploration
von: Gao, Shiqing, et al.
Veröffentlicht: (2026)

Reinforcement Learning with Adaptive Regularization for Safe Control of Critical Systems
von: Tian, Haozhe, et al.
Veröffentlicht: (2024)

Sample Average Approximation for Stochastic Programming with Equality Constraints
von: Lew, Thomas, et al.
Veröffentlicht: (2022)

Safe Reinforcement Learning for Constrained Markov Decision Processes with Stochastic Stopping Time
von: Mazumdar, Abhijit, et al.
Veröffentlicht: (2024)

Learning Optimal Deterministic Policies with Stochastic Policy Gradients
von: Montenegro, Alessandro, et al.
Veröffentlicht: (2024)

On Training-Conditional Conformal Prediction and Binomial Proportion Confidence Intervals
von: Coppola, Rudi, et al.
Veröffentlicht: (2025)

Interpretable Neural System Dynamics: Combining Deep Learning with System Dynamics Modeling to Support Critical Applications
von: D'Elia, Riccardo
Veröffentlicht: (2025)

Stochastic Online Instrumental Variable Regression: Regrets for Endogeneity and Bandit Feedback
von: Della Vecchia, Riccardo, et al.
Veröffentlicht: (2023)

Safe Online Control-Informed Learning
von: Zhou, Tianyu, et al.
Veröffentlicht: (2025)

Denoising ESG: quantifying data uncertainty from missing data with Machine Learning and prediction intervals
von: Caprioli, Sergio, et al.
Veröffentlicht: (2024)

Safe Reinforcement Learning for Real-World Engine Control
von: Bedei, Julian, et al.
Veröffentlicht: (2025)

Myopically Verifiable Probabilistic Certificates for Safe Control and Learning
von: Wang, Zhuoyuan, et al.
Veröffentlicht: (2024)

Neural Dynamic Data Valuation: A Stochastic Optimal Control Approach
von: Liang, Zhangyong, et al.
Veröffentlicht: (2024)

CMAD: Cooperative Multi-Agent Diffusion via Stochastic Optimal Control
von: Barbano, Riccardo, et al.
Veröffentlicht: (2026)

Safely Learning Dynamical Systems
von: Ahmadi, Amir Ali, et al.
Veröffentlicht: (2023)

From Uncertain to Safe: Conformal Fine-Tuning of Diffusion Models for Safe PDE Control
von: Hu, Peiyan, et al.
Veröffentlicht: (2025)

Safe Learning Under Irreversible Dynamics via Asking for Help
von: Plaut, Benjamin, et al.
Veröffentlicht: (2025)

Dynamic Model Predictive Shielding for Provably Safe Reinforcement Learning
von: Banerjee, Arko, et al.
Veröffentlicht: (2024)

Verified Safe Reinforcement Learning for Neural Network Dynamic Models
von: Wu, Junlin, et al.
Veröffentlicht: (2024)

Sampling-based Safe Reinforcement Learning for Nonlinear Dynamical Systems
von: Suttle, Wesley A., et al.
Veröffentlicht: (2024)

Learning-Based Shielding for Safe Autonomy under Unknown Dynamics
von: Reed, Robert, et al.
Veröffentlicht: (2024)

Deep Learning Surrogates for Emulating Stochastic Climate Tipping Dynamics
von: Hillier, Adeline, et al.
Veröffentlicht: (2026)

Safe In-Context Reinforcement Learning
von: Moeini, Amir, et al.
Veröffentlicht: (2025)