Buchumschlag

Towards Batch-to-Streaming Deep Reinforcement Learning for Continuous Control

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	De Monte, Riccardo, Cederle, Matteo, Susto, Gian Antonio
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Explainable Anomaly Detection in Shared Mobility Systems
von: Isgandarov, Elnur, et al.
Veröffentlicht: (2025)

Balancing Efficiency and Fairness in Traffic Light Control through Deep Reinforcement Learning
von: Cederle, Matteo, et al.
Veröffentlicht: (2026)

Fully Dynamic Rebalancing in Dockless Bike-Sharing Systems via Deep Reinforcement Learning
von: Scarpel, Edoardo, et al.
Veröffentlicht: (2026)

A Distributed Approach to Autonomous Intersection Management via Multi-Agent Reinforcement Learning
von: Cederle, Matteo, et al.
Veröffentlicht: (2024)

Towards Model-Free Learning in Dynamic Population Games: An Application to Karma Economies
von: Cederle, Matteo, et al.
Veröffentlicht: (2026)

Explainable Anomaly Detection for Electric Vehicles Charging Stations
von: Cederle, Matteo, et al.
Veröffentlicht: (2025)

Recurrent Deep Reinforcement Learning for Chemotherapy Control under Partial Observability
von: Kiram, Firas Mohamed Elamine, et al.
Veröffentlicht: (2026)

Exploiting Estimation Bias in Clipped Double Q-Learning for Continous Control Reinforcement Learning Tasks
von: Turcato, Niccolò, et al.
Veröffentlicht: (2024)

Reinforcement Learning for Durable Algorithmic Recourse
von: Ceccon, Marina, et al.
Veröffentlicht: (2025)

Edge Delayed Deep Deterministic Policy Gradient: efficient continuous control for edge scenarios
von: Sinigaglia, Alberto, et al.
Veröffentlicht: (2024)

Advancing Constrained Monotonic Neural Networks: Achieving Universal Approximation Beyond Bounded Activations
von: Sartor, Davide, et al.
Veröffentlicht: (2025)

A Quantile Regression Approach for Remaining Useful Life Estimation with State Space Models
von: Frizzo, Davide, et al.
Veröffentlicht: (2025)

Towards Transparent and Efficient Anomaly Detection in Industrial Processes through ExIFFI
von: Frizzo, Davide, et al.
Veröffentlicht: (2024)

ProDER: A Continual Learning Approach for Fault Prediction in Evolving Smart Grids
von: Efatinasab, Emad, et al.
Veröffentlicht: (2025)

Simple and Effective Specialized Representations for Fair Classifiers
von: Sinigaglia, Alberto, et al.
Veröffentlicht: (2025)

A Fairness-Oriented Reinforcement Learning Approach for the Operation and Control of Shared Micromobility Services
von: Cederle, Matteo, et al.
Veröffentlicht: (2024)

Streaming Deep Reinforcement Learning Finally Works
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

Broad Critic Deep Actor Reinforcement Learning for Continuous Control
von: Thalagala, Shiron, et al.
Veröffentlicht: (2024)

Regulating Spatial Fairness in a Tripartite Micromobility Sharing System via Reinforcement Learning
von: Cederle, Matteo, et al.
Veröffentlicht: (2025)

A Fairness-Oriented Multi-Objective Reinforcement Learning approach for Autonomous Intersection Management
von: Cederle, Matteo, et al.
Veröffentlicht: (2025)

Intentional Updates for Streaming Reinforcement Learning
von: Sharifnassab, Arsalan, et al.
Veröffentlicht: (2026)

Towards Principled Unsupervised Multi-Agent Reinforcement Learning
von: Zamboni, Riccardo, et al.
Veröffentlicht: (2025)

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

Making Batch Normalization Great in Federated Deep Learning
von: Zhong, Jike, et al.
Veröffentlicht: (2023)

Scalable On-Policy Reinforcement Learning via Adaptive Batch Scaling
von: Park, Jongchan
Veröffentlicht: (2026)

Scaling Off-Policy Reinforcement Learning with Batch and Weight Normalization
von: Palenicek, Daniel, et al.
Veröffentlicht: (2025)

RLtools: A Fast, Portable Deep Reinforcement Learning Library for Continuous Control
von: Eschmann, Jonas, et al.
Veröffentlicht: (2023)

Test-driven Reinforcement Learning in Continuous Control
von: Yu, Zhao, et al.
Veröffentlicht: (2025)

Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning
von: Xie, Sean, et al.
Veröffentlicht: (2022)

Silent Neuron Theory and Plasticity Preservation for Deep Reinforcement Learning in Adaptive Video Streaming
von: He, Zhiqiang, et al.
Veröffentlicht: (2025)

Towards a Categorical Foundation of Deep Learning: A Survey
von: Crescenzi, Francesco Riccardo
Veröffentlicht: (2024)

Squeezing More from the Stream : Learning Representation Online for Streaming Reinforcement Learning
von: Nilaksh, et al.
Veröffentlicht: (2026)

Towards Fair and Efficient allocation of Mobility-on-Demand resources through a Karma Economy
von: Cederle, Matteo, et al.
Veröffentlicht: (2025)

Revisiting Adam for Streaming Reinforcement Learning
von: Gogianu, Florin, et al.
Veröffentlicht: (2026)

Higher-Order Action Regularization in Deep Reinforcement Learning: From Continuous Control to Building Energy Management
von: Ahmed, Faizan, et al.
Veröffentlicht: (2026)

Testing software for non-discrimination: an updated and extended audit in the Italian car insurance domain
von: Rondina, Marco, et al.
Veröffentlicht: (2025)

Normality-Guided Distributional Reinforcement Learning for Continuous Control
von: Byun, Ju-Seung, et al.
Veröffentlicht: (2022)

AI Olympics challenge with Evolutionary Soft Actor Critic
von: Calì, Marco, et al.
Veröffentlicht: (2024)

Closed-form merging of parameter-efficient modules for Federated Continual Learning
von: Salami, Riccardo, et al.
Veröffentlicht: (2024)

Sample-Efficiency in Multi-Batch Reinforcement Learning: The Need for Dimension-Dependent Adaptivity
von: Johnson, Emmeran, et al.
Veröffentlicht: (2023)