Buchumschlag

Survival Dynamics of Neural and Programmatic Policies in Evolutionary Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Roupassov-Ruiz, Anton, Zuo, Yiyang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Interpretable and Editable Programmatic Tree Policies for Reinforcement Learning
von: Kohler, Hector, et al.
Veröffentlicht: (2024)

Multimodal LLM-assisted Evolutionary Search for Programmatic Control Policies
von: Hu, Qinglong, et al.
Veröffentlicht: (2025)

Reclaiming the Source of Programmatic Policies: Programmatic versus Latent Spaces
von: Carvalho, Tales H., et al.
Veröffentlicht: (2024)

Synthesizing Programmatic Reinforcement Learning Policies with Large Language Model Guided Search
von: Liu, Max, et al.
Veröffentlicht: (2024)

Programmatic Reinforcement Learning: Navigating Gridworlds
von: Shabadi, Guruprerana, et al.
Veröffentlicht: (2024)

Common Benchmarks Undervalue the Generalization Power of Programmatic Policies
von: Rajabpour, Amirhossein, et al.
Veröffentlicht: (2025)

Scheduling That Speaks: An Interpretable Programmatic Reinforcement Learning Framework
von: Hu, Chengpeng, et al.
Veröffentlicht: (2026)

Searching for Programmatic Policies in Semantic Spaces
von: Moraes, Rubens O., et al.
Veröffentlicht: (2024)

Programmatic Representation Learning with Language Models
von: Poesia, Gabriel, et al.
Veröffentlicht: (2025)

DiPRL: Learning Discrete Programmatic Policies via Architecture Entropy Regularization
von: Hu, Chengpeng, et al.
Veröffentlicht: (2026)

InnateCoder: Learning Programmatic Options with Foundation Models
von: Moraes, Rubens O., et al.
Veröffentlicht: (2025)

Survival of the Fittest: Evolutionary Adaptation of Policies for Environmental Shifts
von: Paul, Sheryl, et al.
Veröffentlicht: (2024)

PolicyEvolve: Evolving Programmatic Policies by LLMs for multi-player games via Population-Based Training
von: Lv, Mingrui, et al.
Veröffentlicht: (2025)

Surrogate-Assisted Evolutionary Reinforcement Learning Based on Autoencoder and Hyperbolic Neural Network
von: Li, Bingdong, et al.
Veröffentlicht: (2025)

Neural Topic Models with Survival Supervision: Jointly Predicting Time-to-Event Outcomes and Learning How Clinical Features Relate
von: Chen, George H., et al.
Veröffentlicht: (2020)

Evolutionary System Prompt Learning for Reinforcement Learning in LLMs
von: Zhang, Lunjun, et al.
Veröffentlicht: (2026)

Ranking Joint Policies in Dynamic Games using Evolutionary Dynamics
von: Koliou, Natalia, et al.
Veröffentlicht: (2025)

Neural Co-state Policies: Structuring Hidden States in Recurrent Reinforcement Learning
von: Leeftink, David, et al.
Veröffentlicht: (2026)

Reinforcement Learning-based Knowledge Distillation with LLM-as-a-Judge
von: Shen, Yiyang, et al.
Veröffentlicht: (2026)

CASSANDRA: Programmatic and Probabilistic Learning and Inference for Stochastic World Modeling
von: Lymperopoulos, Panagiotis, et al.
Veröffentlicht: (2026)

SVL: Goal-Conditioned Reinforcement Learning as Survival Learning
von: Tiofack, Franki Nguimatsia, et al.
Veröffentlicht: (2026)

Survival Reinforcement Learning: Toward Scalable Self-Supervised RL
von: Nguimatsia-Tiofack, Franki, et al.
Veröffentlicht: (2026)

Policy Improvement Reinforcement Learning
von: Wang, Huaiyang, et al.
Veröffentlicht: (2026)

On-Policy Policy Gradient Reinforcement Learning Without On-Policy Sampling
von: Corrado, Nicholas E., et al.
Veröffentlicht: (2023)

Helix: Evolutionary Reinforcement Learning for Open-Ended Scientific Problem Solving
von: Su, Chang, et al.
Veröffentlicht: (2026)

Guiding Evolutionary Molecular Design: Adding Reinforcement Learning for Mutation Selection
von: Milon-Harnois, Gaelle, et al.
Veröffentlicht: (2025)

Evolutionary Policy Optimization
von: Wang, Jianren, et al.
Veröffentlicht: (2025)

Evolutionary Policy Optimization
von: Mustafaoglu, Zelal Su "Lain", et al.
Veröffentlicht: (2025)

LLM as an Algorithmist: Enhancing Anomaly Detectors via Programmatic Synthesis
von: Ye, Hangting, et al.
Veröffentlicht: (2025)

Reliable Programmatic Weak Supervision with Confidence Intervals for Label Probabilities
von: Álvarez, Verónica, et al.
Veröffentlicht: (2025)

Examining Policy Entropy of Reinforcement Learning Agents for Personalization Tasks
von: Dereventsov, Anton, et al.
Veröffentlicht: (2022)

Reinforcement Learning for Flow-Matching Policies
von: Pfrommer, Samuel, et al.
Veröffentlicht: (2025)

Policy Bifurcation in Safe Reinforcement Learning
von: Zou, Wenjun, et al.
Veröffentlicht: (2024)

Multi-Objective Neural Architecture Search by Learning Search Space Partitions
von: Zhao, Yiyang, et al.
Veröffentlicht: (2024)

Evolutionary Dynamic Optimization and Machine Learning
von: Boulesnane, Abdennour
Veröffentlicht: (2023)

Sketch-Plan-Generalize: Learning and Planning with Neuro-Symbolic Programmatic Representations for Inductive Spatial Concepts
von: Kalithasan, Namasivayam, et al.
Veröffentlicht: (2024)

Single- vs. Dual-Policy Reinforcement Learning for Dynamic Bike Rebalancing
von: Liang, Jiaqi, et al.
Veröffentlicht: (2024)

Policy Regularization on Globally Accessible States in Cross-Dynamics Reinforcement Learning
von: Xue, Zhenghai, et al.
Veröffentlicht: (2025)

Gradient Reduction Convolutional Neural Network Policy for Financial Deep Reinforcement Learning
von: Montazeri, Sina, et al.
Veröffentlicht: (2024)

Interpretable Non-linear Survival Analysis with Evolutionary Symbolic Regression
von: Rovito, Luigi, et al.
Veröffentlicht: (2025)