Buchumschlag

Algorithmic Guarantees for Distilling Supervised and Offline RL Datasets

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gupta, Aaryan, Saket, Rishi, Raghuveer, Aravindan
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

Dense and Diverse Goal Coverage in Multi Goal Reinforcement Learning
von: Singh, Sagalpreet, et al.
Veröffentlicht: (2025)

LLP-Bench: A Large Scale Tabular Benchmark for Learning from Label Proportions
von: Brahmbhatt, Anand, et al.
Veröffentlicht: (2023)

Aggregating Data for Optimal and Private Learning
von: Agarwal, Sushant, et al.
Veröffentlicht: (2024)

Learning from Label Proportions and Covariate-shifted Instances
von: Singh, Sagalpreet, et al.
Veröffentlicht: (2024)

FRACTAL: Fine-Grained Scoring from Aggregate Text Labels
von: Makhija, Yukti, et al.
Veröffentlicht: (2024)

Learning from Label Proportions: Bootstrapping Supervised Learners via Belief Propagation
von: Havaldar, Shreyas, et al.
Veröffentlicht: (2023)

Preserving Expert-Level Privacy in Offline Reinforcement Learning
von: Sharma, Navodita, et al.
Veröffentlicht: (2024)

Weak to Strong Learning from Aggregate Labels
von: Makhija, Yukti, et al.
Veröffentlicht: (2024)

Hardness of Learning Boolean Functions from Label Proportions
von: Guruswami, Venkatesan, et al.
Veröffentlicht: (2024)

Fairness under Covariate Shift: Improving Fairness-Accuracy tradeoff with few Unlabeled Test Samples
von: Havaldar, Shreyas, et al.
Veröffentlicht: (2023)

Location Aware Embedding for Geotargeting in Sponsored Search Advertising
von: Gligorijevic, Jelena, et al.
Veröffentlicht: (2026)

Dataset Distillation for Offline Reinforcement Learning
von: Light, Jonathan, et al.
Veröffentlicht: (2024)

RoiRL: Efficient, Self-Supervised Reasoning with Offline Iterative Reinforcement Learning
von: Arzhantsev, Aleksei, et al.
Veröffentlicht: (2025)

Offline Reinforcement Learning in Large State Spaces: Algorithms and Guarantees
von: Jiang, Nan, et al.
Veröffentlicht: (2025)

Offline Inverse RL: New Solution Concepts and Provably Efficient Algorithms
von: Lazzati, Filippo, et al.
Veröffentlicht: (2024)

Towards Distillation Guarantees under Algorithmic Alignment for Combinatorial Optimization
von: Le, Thien, et al.
Veröffentlicht: (2026)

Augmenting Online RL with Offline Data is All You Need: A Unified Hybrid RL Algorithm Design and Analysis
von: Huang, Ruiquan, et al.
Veröffentlicht: (2025)

Accelerating Diffusion Planners in Offline RL via Reward-Aware Consistency Trajectory Distillation
von: Duan, Xintong, et al.
Veröffentlicht: (2025)

Self-Supervised Dataset Distillation for Transfer Learning
von: Lee, Dong Bok, et al.
Veröffentlicht: (2023)

Improving Offline RL by Blending Heuristics
von: Geng, Sinong, et al.
Veröffentlicht: (2023)

Statistical Guarantees for Offline Domain Randomization
von: Fickinger, Arnaud, et al.
Veröffentlicht: (2025)

Budgeting Counterfactual for Offline RL
von: Liu, Yao, et al.
Veröffentlicht: (2023)

When Are RL Hyperparameters Benign? A Study in Offline Goal-Conditioned RL
von: Töpperwien, Jan Malte, et al.
Veröffentlicht: (2026)

Distributional Offline Policy Evaluation with Predictive Error Guarantees
von: Wu, Runzhe, et al.
Veröffentlicht: (2023)

Offline Behavior Distillation
von: Lei, Shiye, et al.
Veröffentlicht: (2024)

Making Offline RL Online: Collaborative World Models for Offline Visual Reinforcement Learning
von: Wang, Qi, et al.
Veröffentlicht: (2023)

Selective Uncertainty Propagation in Offline RL
von: Krishnamurthy, Sanath Kumar, et al.
Veröffentlicht: (2023)

Decoupled Prioritized Resampling for Offline RL
von: Yue, Yang, et al.
Veröffentlicht: (2023)

Augmenting Offline RL with Unlabeled Data
von: Wang, Zhao, et al.
Veröffentlicht: (2024)

AD4RL: Autonomous Driving Benchmarks for Offline Reinforcement Learning with Value-based Dataset
von: Lee, Dongsu, et al.
Veröffentlicht: (2024)

Offline RL via Feature-Occupancy Gradient Ascent
von: Neu, Gergely, et al.
Veröffentlicht: (2024)

Reinformer: Max-Return Sequence Modeling for Offline RL
von: Zhuang, Zifeng, et al.
Veröffentlicht: (2024)

FuzzDistill: Intelligent Fuzzing Target Selection using Compile-Time Analysis and Machine Learning
von: Upadhyay, Saket
Veröffentlicht: (2024)

Tuning Algorithmic and Architectural Hyperparameters in Graph-Based Semi-Supervised Learning with Provable Guarantees
von: Du, Ally Yalei, et al.
Veröffentlicht: (2025)

An Empirical Study on the Effectiveness of Incorporating Offline RL As Online RL Subroutines
von: Su, Jianhai, et al.
Veröffentlicht: (2025)

Policy Agnostic RL: Offline RL and Online RL Fine-Tuning of Any Class and Backbone
von: Mark, Max Sobol, et al.
Veröffentlicht: (2024)

Dataset Distillation via Knowledge Distillation: Towards Efficient Self-Supervised Pre-Training of Deep Networks
von: Joshi, Siddharth, et al.
Veröffentlicht: (2024)

Merge Now, Regret Later: The Hidden Cost of Model Merging is Adversarial Transferability
von: Gangwal, Ankit, et al.
Veröffentlicht: (2025)

Design Considerations in Offline Preference-based RL
von: Agarwal, Alekh, et al.
Veröffentlicht: (2025)

A Tractable Inference Perspective of Offline RL
von: Liu, Xuejie, et al.
Veröffentlicht: (2023)