Buchumschlag

BEAVER: Building Environments with Assessable Variation for Evaluating Multi-Objective Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Ruohong, Umenberger, Jack, Chen, Yize
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

C-MORL: Multi-Objective Reinforcement Learning through Efficient Discovery of Pareto Front
von: Liu, Ruohong, et al.
Veröffentlicht: (2024)

On the Sample Complexity of Imitation Learning for Smoothed Model Predictive Control
von: Pfrommer, Daniel, et al.
Veröffentlicht: (2023)

Improved Sample Complexity of Imitation Learning for Barrier Model Predictive Control
von: Pfrommer, Daniel, et al.
Veröffentlicht: (2024)

A Pontryagin Method of Model-based Reinforcement Learning via Hamiltonian Actor-Critic
von: Gu, Chengyang, et al.
Veröffentlicht: (2026)

Scaling Laws of Machine Learning for Optimal Power Flow
von: Liu, Xinyi, et al.
Veröffentlicht: (2026)

Multi-Objective Reinforcement Learning for Energy-Efficient Industrial Control
von: Schäfer, Georg, et al.
Veröffentlicht: (2025)

Learn for Variation: Variationally Guided AAV Trajectory Learning in Differentiable Environments
von: Wang, Xiucheng, et al.
Veröffentlicht: (2026)

Multi-Objective Reinforcement Learning for Power Grid Topology Control
von: Lautenbacher, Thomas, et al.
Veröffentlicht: (2025)

Reinforcement Learning in Non-Markovian Environments
von: Chandak, Siddharth, et al.
Veröffentlicht: (2022)

Pontryagin Optimal Control via Neural Networks
von: Gu, Chengyang, et al.
Veröffentlicht: (2022)

Joint Optimization of Multi-Objective Reinforcement Learning with Policy Gradient Based Algorithm
von: Bai, Qinbo, et al.
Veröffentlicht: (2021)

Multi-Objective Reinforcement Learning for Tactical Decision Making for Trucks in Highway Traffic
von: Pathare, Deepthi, et al.
Veröffentlicht: (2026)

Learning and Optimization for Price-based Demand Response of Electric Vehicle Charging
von: Gu, Chengyang, et al.
Veröffentlicht: (2024)

Robust and learning-augmented algorithms for degradation-aware battery optimization
von: Umenberger, Jack, et al.
Veröffentlicht: (2026)

Language Models as Efficient Reward Function Searchers for Custom-Environment Multi-Objective Reinforcement
von: Xie, Guanwen, et al.
Veröffentlicht: (2024)

Safety Optimized Reinforcement Learning via Multi-Objective Policy Optimization
von: Honari, Homayoun, et al.
Veröffentlicht: (2024)

Multi-Objective Optimization Using Adaptive Distributed Reinforcement Learning
von: Tan, Jing, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning Behavioral Mode Switching Using Optimal Control Based on a Latent Space Objective
von: Remman, Sindre Benjamin, et al.
Veröffentlicht: (2024)

Learning Coverage Paths in Unknown Environments with Deep Reinforcement Learning
von: Jonnarth, Arvi, et al.
Veröffentlicht: (2023)

Control in Stochastic Environment with Delays: A Model-based Reinforcement Learning Approach
von: Yao, Zhiyuan, et al.
Veröffentlicht: (2024)

Adaptive Testing Environment Generation for Connected and Automated Vehicles with Dense Reinforcement Learning
von: Yang, Jingxuan, et al.
Veröffentlicht: (2024)

ROMA-iQSS: An Objective Alignment Approach via State-Based Value Learning and ROund-Robin Multi-Agent Scheduling
von: Lin, Chi-Hui, et al.
Veröffentlicht: (2024)

Stone Soup Multi-Target Tracking Feature Extraction For Autonomous Search And Track In Deep Reinforcement Learning Environment
von: Ewers, Jan-Hendrik, et al.
Veröffentlicht: (2025)

Optimism as Risk-Seeking in Multi-Agent Reinforcement Learning
von: Zhang, Runyu, et al.
Veröffentlicht: (2025)

Meta-Reinforcement Learning for Building Energy Management System
von: Zhang, Huiliang, et al.
Veröffentlicht: (2022)

SEAL: SEmantic-Augmented Imitation Learning via Language Model
von: Gu, Chengyang, et al.
Veröffentlicht: (2024)

Intersection of Reinforcement Learning and Bayesian Optimization for Intelligent Control of Industrial Processes: A Safe MPC-based DPG using Multi-Objective BO
von: Esfahani, Hossein Nejatbakhsh, et al.
Veröffentlicht: (2025)

Towards Fast Rates for Federated and Multi-Task Reinforcement Learning
von: Zhu, Feng, et al.
Veröffentlicht: (2024)

Structured Cooperative Multi-Agent Reinforcement Learning: a Bayesian Network Perspective
von: Syed, Shahbaz P Qadri, et al.
Veröffentlicht: (2025)

The Sample Complexity of Online Reinforcement Learning: A Multi-model Perspective
von: Muehlebach, Michael, et al.
Veröffentlicht: (2025)

Action Mapping for Reinforcement Learning in Continuous Environments with Constraints
von: Theile, Mirco, et al.
Veröffentlicht: (2024)

Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs
von: Mondal, Abhishek, et al.
Veröffentlicht: (2024)

Safe Multi-Agent Reinforcement Learning with Convergence to Generalized Nash Equilibrium
von: Li, Zeyang, et al.
Veröffentlicht: (2024)

Training Task Reasoning LLM Agents for Multi-turn Task Planning via Single-turn Reinforcement Learning
von: Hu, Hanjiang, et al.
Veröffentlicht: (2025)

The Synergy Between Optimal Transport Theory and Multi-Agent Reinforcement Learning
von: Baheri, Ali, et al.
Veröffentlicht: (2024)

Peer-to-Peer Energy Trading of Solar and Energy Storage: A Networked Multiagent Reinforcement Learning Approach
von: Feng, Chen, et al.
Veröffentlicht: (2024)

Reinforcement Learning Based Bidding Framework with High-dimensional Bids in Power Markets
von: Liu, Jinyu, et al.
Veröffentlicht: (2024)

STO-RL: Offline RL under Sparse Rewards via LLM-Guided Subgoal Temporal Order
von: Gu, Chengyang, et al.
Veröffentlicht: (2026)

Effective Policy Learning for Multi-Agent Online Coordination Beyond Submodular Objectives
von: Zhang, Qixin, et al.
Veröffentlicht: (2025)

Adaptive Smooth Tchebycheff Attention for Multi-Objective Policy Optimization
von: Murillo-Gonzalez, Alejandro, et al.
Veröffentlicht: (2026)