Buchumschlag

Balancing Expressivity and Robustness: Constrained Rational Activations for Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Surdej, Rafał, Bortkiewicz, Michał, Lewandowski, Alex, Ostaszewski, Mateusz, Lyle, Clare
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 Continually by Spectral Regularization
von: Lewandowski, Alex, et al.
Veröffentlicht: (2024)

Is Temporal Difference Learning the Gold Standard for Stitching in RL?
von: Bortkiewicz, Michał, et al.
Veröffentlicht: (2025)

Overestimation, Overfitting, and Plasticity in Actor-Critic: the Bitter Lesson of Reinforcement Learning
von: Nauman, Michal, et al.
Veröffentlicht: (2024)

Fine-tuning Reinforcement Learning Models is Secretly a Forgetting Mitigation Problem
von: Wołczyk, Maciej, et al.
Veröffentlicht: (2024)

A Case for Validation Buffer in Pessimistic Actor-Critic
von: Nauman, Michal, et al.
Veröffentlicht: (2024)

On the Role of Iterative Computation in Reinforcement Learning
von: Ghugare, Raj, et al.
Veröffentlicht: (2026)

Bigger, Regularized, Optimistic: scaling for compute and sample-efficient continuous control
von: Nauman, Michal, et al.
Veröffentlicht: (2024)

Adaptive Rational Activations to Boost Deep Reinforcement Learning
von: Delfosse, Quentin, et al.
Veröffentlicht: (2021)

Contrastive Representations for Temporal Reasoning
von: Ziarko, Alicja, et al.
Veröffentlicht: (2025)

Frequency and Generalisation of Periodic Activation Functions in Reinforcement Learning
von: Mavor-Parker, Augustine N., et al.
Veröffentlicht: (2024)

Rational Neural Networks have Expressivity Advantages
von: Tang, Maosen, et al.
Veröffentlicht: (2026)

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

1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities
von: Wang, Kevin, et al.
Veröffentlicht: (2025)

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

Reinforcement Teaching
von: Muslimani, Calarina, et al.
Veröffentlicht: (2022)

Plastic Learning with Deep Fourier Features
von: Lewandowski, Alex, et al.
Veröffentlicht: (2024)

On The Expressivity of Objective-Specification Formalisms in Reinforcement Learning
von: Subramani, Rohan, et al.
Veröffentlicht: (2023)

PhysGym: Benchmarking LLMs in Interactive Physics Discovery with Controlled Priors
von: Chen, Yimeng, et al.
Veröffentlicht: (2025)

Unpacking Softmax: How Temperature Drives Representation Collapse, Compression, and Generalization
von: Masarczyk, Wojciech, et al.
Veröffentlicht: (2025)

Near-Minimax-Optimal Distributional Reinforcement Learning with a Generative Model
von: Rowland, Mark, et al.
Veröffentlicht: (2024)

Learning Expressive Random Feature Models via Parametrized Activations
von: Ma, Zailin, et al.
Veröffentlicht: (2024)

Distributionally Robust Constrained Reinforcement Learning under Strong Duality
von: Zhang, Zhengfei, et al.
Veröffentlicht: (2024)

Safe and Balanced: A Framework for Constrained Multi-Objective Reinforcement Learning
von: Gu, Shangding, et al.
Veröffentlicht: (2024)

Reduced storage direct tensor ring decomposition for convolutional neural networks compression
von: Gabor, Mateusz, et al.
Veröffentlicht: (2024)

Learning to Forget: Continual Learning with Adaptive Weight Decay
von: Ramesh, Aditya A., et al.
Veröffentlicht: (2026)

EXPO: Stable Reinforcement Learning with Expressive Policies
von: Dong, Perry, et al.
Veröffentlicht: (2025)

Level Generation with Constrained Expressive Range
von: Bazzaz, Mahsa, et al.
Veröffentlicht: (2025)

UAMDP: Uncertainty-Aware Markov Decision Process for Risk-Constrained Reinforcement Learning from Probabilistic Forecasts
von: Koren, Michal, et al.
Veröffentlicht: (2025)

On the Expressiveness of Rational ReLU Neural Networks With Bounded Depth
von: Averkov, Gennadiy, et al.
Veröffentlicht: (2025)

Rationality Measurement and Theory for Reinforcement Learning Agents
von: Qian, Kejiang, et al.
Veröffentlicht: (2026)

Accelerating Goal-Conditioned RL Algorithms and Research
von: Bortkiewicz, Michał, et al.
Veröffentlicht: (2024)

What Can Grokking Teach Us About Learning Under Nonstationarity?
von: Lyle, Clare, et al.
Veröffentlicht: (2025)

Federated Learning by Utility-Constrained Stochastic Aggregation for Improving Rational Participation
von: Yashwanth, M, et al.
Veröffentlicht: (2026)

What Ails Generative Structure-based Drug Design: Expressivity is Too Little or Too Much?
von: Karczewski, Rafał, et al.
Veröffentlicht: (2024)

Robust off-policy Reinforcement Learning via Soft Constrained Adversary
von: Nakanishi, Kosuke, et al.
Veröffentlicht: (2024)

Implicit Language Models are RNNs: Balancing Parallelization and Expressivity
von: Schöne, Mark, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Efficient Toxicity Detection in Competitive Online Video Games
von: Morrier, Jacob, et al.
Veröffentlicht: (2025)

Expressive Value Learning for Scalable Offline Reinforcement Learning
von: Espinosa-Dice, Nicolas, et al.
Veröffentlicht: (2025)

Rectified Robust Policy Optimization for Model-Uncertain Constrained Reinforcement Learning without Strong Duality
von: Ma, Shaocong, et al.
Veröffentlicht: (2025)

TCRL: Temporal-Coupled Adversarial Training for Robust Constrained Reinforcement Learning in Worst-Case Scenarios
von: Xu, Wentao, et al.
Veröffentlicht: (2026)