Buchumschlag

Detecting is Easy, Adapting is Hard: Local Expert Growth for Visual Model-Based Reinforcement Learning under Distribution Shift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Zhao, Haiyang
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

Adapting to Distribution Shift by Visual Domain Prompt Generation
von: Chi, Zhixiang, et al.
Veröffentlicht: (2024)

Curriculum Reinforcement Learning from Easy to Hard Tasks Improves LLM Reasoning
von: Parashar, Shubham, et al.
Veröffentlicht: (2025)

Learning Compositional Functions with Transformers from Easy-to-Hard Data
von: Wang, Zixuan, et al.
Veröffentlicht: (2025)

Multi-Agent Imitation Learning: Value is Easy, Regret is Hard
von: Tang, Jingwu, et al.
Veröffentlicht: (2024)

Adapt, But Don't Forget: Fine-Tuning and Contrastive Routing for Lane Detection under Distribution Shift
von: Khan, Mohammed Abdul Hafeez, et al.
Veröffentlicht: (2025)

Adapting Prediction Sets to Distribution Shifts Without Labels
von: Kasa, Kevin, et al.
Veröffentlicht: (2024)

Adapting to Online Distribution Shifts in Deep Learning: A Black-Box Approach
von: Baby, Dheeraj, et al.
Veröffentlicht: (2025)

AdaptNC: Adaptive Nonconformity Scores for Conformal Prediction under Distribution Shift
von: Tumu, Renukanandan, et al.
Veröffentlicht: (2026)

Calibration of Time-Series Forecasting: Detecting and Adapting Context-Driven Distribution Shift
von: Chen, Mouxiang, et al.
Veröffentlicht: (2023)

Memory-enhanced Invariant Prompt Learning for Urban Flow Prediction under Distribution Shifts
von: Jiang, Haiyang, et al.
Veröffentlicht: (2024)

EasyRL4Rec: An Easy-to-use Library for Reinforcement Learning Based Recommender Systems
von: Yu, Yuanqing, et al.
Veröffentlicht: (2024)

Online Continual Learning for Anomaly Detection in IoT under Data Distribution Shifts
von: Marinova, Matea, et al.
Veröffentlicht: (2026)

Adapting Large Multimodal Models to Distribution Shifts: The Role of In-Context Learning
von: Zhou, Guanglin, et al.
Veröffentlicht: (2024)

Trustworthy Machine Learning under Distribution Shifts
von: Huang, Zhuo
Veröffentlicht: (2025)

Deep Reinforcement Learning for Robotic Manipulation under Distribution Shift with Bounded Extremum Seeking
von: Saxena, Shaifalee, et al.
Veröffentlicht: (2026)

Adaptive Estimation and Learning under Temporal Distribution Shift
von: Baby, Dheeraj, et al.
Veröffentlicht: (2025)

Certifiably Robust Model Evaluation in Federated Learning under Meta-Distributional Shifts
von: Najafi, Amir, et al.
Veröffentlicht: (2024)

Adaptive Individual Uncertainty under Out-Of-Distribution Shift with Expert-Routed Conformal Prediction
von: Badkul, Amitesh, et al.
Veröffentlicht: (2025)

Graphs Generalization under Distribution Shifts
von: Tian, Qin, et al.
Veröffentlicht: (2024)

Addressing Concept Shift in Online Time Series Forecasting: Detect-then-Adapt
von: Zhang, YiFan, et al.
Veröffentlicht: (2024)

Risk-Sensitive Soft Actor-Critic for Robust Deep Reinforcement Learning under Distribution Shifts
von: Enders, Tobias, et al.
Veröffentlicht: (2024)

GDDA: Semantic OOD Detection on Graphs under Covariate Shift via Score-Based Diffusion Models
von: He, Zhixia, et al.
Veröffentlicht: (2024)

Federated Learning with Profile Mapping under Distribution Shifts and Drifts
von: Li, Mohan, et al.
Veröffentlicht: (2026)

Language Models Do Hard Arithmetic Tasks Easily and Hardly Do Easy Arithmetic Tasks
von: Gambardella, Andrew, et al.
Veröffentlicht: (2024)

LoRD: Adapting Differentiable Driving Policies to Distribution Shifts
von: Diehl, Christopher, et al.
Veröffentlicht: (2024)

ShiftKD: Benchmarking Knowledge Distillation under Distribution Shift
von: Zhang, Songming, et al.
Veröffentlicht: (2023)

Learning Pattern-Specific Experts for Time Series Forecasting Under Patch-level Distribution Shift
von: Sun, Yanru, et al.
Veröffentlicht: (2024)

Dynamic Mixture of Experts Against Severe Distribution Shifts
von: Kim, Donghu
Veröffentlicht: (2025)

A Task-Centric Theory for Iterative Self-Improvement with Easy-to-Hard Curricula
von: Liu, Chenruo, et al.
Veröffentlicht: (2026)

Robust Machine Learning for Regulatory Sequence Modeling under Biological and Technical Distribution Shifts
von: Yang, Yiyao
Veröffentlicht: (2026)

Easy to Learn, Yet Hard to Forget: Towards Robust Unlearning Under Bias
von: Kwon, JuneHyoung, et al.
Veröffentlicht: (2026)

Adapting to Continuous Covariate Shift via Online Density Ratio Estimation
von: Zhang, Yu-Jie, et al.
Veröffentlicht: (2023)

The Unreasonable Effectiveness of Easy Training Data for Hard Tasks
von: Hase, Peter, et al.
Veröffentlicht: (2024)

MetaLint: Easy-to-Hard Generalization for Code Linting
von: Naik, Atharva, et al.
Veröffentlicht: (2025)

Optimal Classification under Performative Distribution Shift
von: Cyffers, Edwige, et al.
Veröffentlicht: (2024)

ODD: Overlap-aware Estimation of Model Performance under Distribution Shift
von: Mishra, Aayush, et al.
Veröffentlicht: (2025)

Extrapolability Improvement of Machine Learning-Based Evapotranspiration Models via Domain-Adversarial Neural Networks
von: Shi, Haiyang
Veröffentlicht: (2024)

Forecasting the Past: Gradient-Based Distribution Shift Detection in Trajectory Prediction
von: De Vita, Michele, et al.
Veröffentlicht: (2026)

GCAL: Adapting Graph Models to Evolving Domain Shifts
von: Qiao, Ziyue, et al.
Veröffentlicht: (2025)

Adapting to Shifting Correlations with Unlabeled Data Calibration
von: Nguyen, Minh, et al.
Veröffentlicht: (2024)