Buchumschlag

On the Divergence of Differential Temporal Difference Learning without Local Clocks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Antrobius, David, Zhang, Shangtong
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

Revisiting a Design Choice in Gradient Temporal Difference Learning
von: Qian, Xiaochi, et al.
Veröffentlicht: (2023)

Almost Sure Convergence of Differential Temporal Difference Learning for Average Reward Markov Decision Processes
von: Blaser, Ethan, et al.
Veröffentlicht: (2026)

Almost Sure Convergence of Linear Temporal Difference Learning with Arbitrary Features
von: Wang, Jiuqi, et al.
Veröffentlicht: (2024)

Transformers Can Learn Temporal Difference Methods for In-Context Reinforcement Learning
von: Wang, Jiuqi, et al.
Veröffentlicht: (2024)

Finite Sample Analysis of Linear Temporal Difference Learning with Arbitrary Features
von: Xie, Zixuan, et al.
Veröffentlicht: (2025)

Towards Formalizing Reinforcement Learning Theory
von: Zhang, Shangtong
Veröffentlicht: (2025)

Linear $Q$-Learning Does Not Diverge in $L^2$: Convergence Rates to a Bounded Set
von: Liu, Xinyu, et al.
Veröffentlicht: (2025)

Towards Provable Emergence of In-Context Reinforcement Learning
von: Wang, Jiuqi, et al.
Veröffentlicht: (2025)

Efficient Policy Evaluation with Offline Data Informed Behavior Policy Design
von: Liu, Shuze, et al.
Veröffentlicht: (2023)

Doubly Optimal Policy Evaluation for Reinforcement Learning
von: Liu, Shuze Daniel, et al.
Veröffentlicht: (2024)

Efficient Multi-Policy Evaluation for Reinforcement Learning
von: Liu, Shuze Daniel, et al.
Veröffentlicht: (2024)

CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening
von: Kulkarni, Amar, et al.
Veröffentlicht: (2024)

Efficient Policy Evaluation with Safety Constraint for Reinforcement Learning
von: Chen, Claire, et al.
Veröffentlicht: (2024)

Counterfactual Explanations for Continuous Action Reinforcement Learning
von: Dong, Shuyang, et al.
Veröffentlicht: (2025)

Extensions of Robbins-Siegmund Theorem with Applications in Reinforcement Learning
von: Liu, Xinyu, et al.
Veröffentlicht: (2025)

On the Statistical Benefits of Temporal Difference Learning
von: Cheikhi, David, et al.
Veröffentlicht: (2023)

Convergence and Emergence of In-Context Reinforcement Learning with Chain of Thought
von: Xie, Zixuan, et al.
Veröffentlicht: (2026)

Almost Sure Convergence Rates of Stochastic Approximation and Reinforcement Learning via a Poisson-Moreau Drift
von: Liu, Xinyu, et al.
Veröffentlicht: (2026)

The ODE Method for Stochastic Approximation and Reinforcement Learning with Markovian Noise
von: Liu, Shuze Daniel, et al.
Veröffentlicht: (2024)

Global Optimality and Finite Sample Analysis of Softmax Off-Policy Actor Critic under State Distribution Mismatch
von: Zhang, Shangtong, et al.
Veröffentlicht: (2021)

Asymptotic and Finite Sample Analysis of Nonexpansive Stochastic Approximations with Markovian Noise
von: Blaser, Ethan, et al.
Veröffentlicht: (2024)

Convergence of Two-Timescale Markovian Stochastic Approximations with Applications in Reinforcement Learning
von: Mahadevan, Vagul, et al.
Veröffentlicht: (2026)

Experience Replay Addresses Loss of Plasticity in Continual Learning
von: Wang, Jiuqi, et al.
Veröffentlicht: (2025)

Group Fairness in Multi-Task Reinforcement Learning
von: Song, Kefan, et al.
Veröffentlicht: (2025)

Almost Sure Convergence Rates and Concentration of Stochastic Approximation and Reinforcement Learning with Markovian Noise
von: Qian, Xiaochi, et al.
Veröffentlicht: (2024)

Simplifying Deep Temporal Difference Learning
von: Gallici, Matteo, et al.
Veröffentlicht: (2024)

An Analysis of Quantile Temporal-Difference Learning
von: Rowland, Mark, et al.
Veröffentlicht: (2023)

Accelerated Distributional Temporal Difference Learning with Linear Function Approximation
von: Jin, Kaicheng, et al.
Veröffentlicht: (2025)

Learning to Remember: End-to-End Training of Memory Agents for Long-Context Reasoning
von: Zhang, Kehao, et al.
Veröffentlicht: (2026)

Discerning Temporal Difference Learning
von: Ma, Jianfei
Veröffentlicht: (2023)

Backstepping Temporal Difference Learning
von: Lim, Han-Dong, et al.
Veröffentlicht: (2023)

Towards Parameter-Free Temporal Difference Learning
von: Li, Yunxiang, et al.
Veröffentlicht: (2026)

Temporal Difference Learning with Constrained Initial Representations
von: Lyu, Jiafei, et al.
Veröffentlicht: (2026)

Prompt-Driven Domain Adaptation for End-to-End Autonomous Driving via In-Context RL
von: Khurram, Aleesha, et al.
Veröffentlicht: (2025)

Reinforcement Learning From State and Temporal Differences
von: Weaver, Lex, et al.
Veröffentlicht: (2025)

New Versions of Gradient Temporal Difference Learning
von: Lee, Donghwan, et al.
Veröffentlicht: (2021)

Statistical Efficiency of Distributional Temporal Difference Learning and Freedman's Inequality in Hilbert Spaces
von: Peng, Yang, et al.
Veröffentlicht: (2024)

Predicting Plasticity in Deep Continual Learning: A Theoretical Perspective
von: Wang, Jiuqi, et al.
Veröffentlicht: (2026)

Beyond Linear Attention: Softmax Transformers Implement In-Context Reinforcement Learning
von: Xie, Zixuan, et al.
Veröffentlicht: (2026)

A Survey of In-Context Reinforcement Learning
von: Moeini, Amir, et al.
Veröffentlicht: (2025)