Buchumschlag

Don't Forget the Critic: Value-Based Data Rehearsal for Multi-Cyclic Continual Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Poole, Benjamin, Quinn, Andrew, Yang, Li, Lee, Minwoo
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 Interactive Reinforcement Learning with Intrinsic Feedback
von: Poole, Benjamin, et al.
Veröffentlicht: (2021)

F-GRPO: Don't Let Your Policy Learn the Obvious and Forget the Rare
von: Plyusov, Daniil, et al.
Veröffentlicht: (2026)

Don't Forget It! Conditional Sparse Autoencoder Clamping Works for Unlearning
von: Khoriaty, Matthew, et al.
Veröffentlicht: (2025)

Don't Forget Imagination!
von: Vityaev, Evgenii E., et al.
Veröffentlicht: (2025)

Continual Diffuser (CoD): Mastering Continual Offline Reinforcement Learning with Experience Rehearsal
von: Hu, Jifeng, et al.
Veröffentlicht: (2024)

Trust, Don't Trust, or Flip: Robust Preference-Based Reinforcement Learning with Multi-Expert Feedback
von: Hosseini, Seyed Amir, et al.
Veröffentlicht: (2026)

Transformers Don't In-Context Learn Least Squares Regression
von: Hill, Joshua, et al.
Veröffentlicht: (2025)

Don't Forget to Connect! Improving RAG with Graph-based Reranking
von: Dong, Jialin, et al.
Veröffentlicht: (2024)

Do's and Don'ts: Learning Desirable Skills with Instruction Videos
von: Kim, Hyunseung, et al.
Veröffentlicht: (2024)

Don't Freeze, Don't Crash: Extending the Safe Operating Range of Neural Navigation in Dense Crowds
von: Zhang, Jiefu, et al.
Veröffentlicht: (2026)

DESIRE: Dynamic Knowledge Consolidation for Rehearsal-Free Continual Learning
von: Guo, Haiyang, et al.
Veröffentlicht: (2024)

Don't Push the Button! Exploring Data Leakage Risks in Machine Learning and Transfer Learning
von: Apicella, Andrea, et al.
Veröffentlicht: (2024)

DSLR: Diversity Enhancement and Structure Learning for Rehearsal-based Graph Continual Learning
von: Choi, Seungyoon, et al.
Veröffentlicht: (2024)

Task Scheduling & Forgetting in Multi-Task Reinforcement Learning
von: Speckmann, Marc, et al.
Veröffentlicht: (2025)

Pessimistic Value Iteration for Multi-Task Data Sharing in Offline Reinforcement Learning
von: Bai, Chenjia, et al.
Veröffentlicht: (2024)

Don't Let Bandit Feedback Pull Continual LLM-Recommender Updates Off Target
von: Kim, Taesan, et al.
Veröffentlicht: (2026)

Forget Forgetting: Continual Learning in a World of Abundant Memory
von: Cho, Dongkyu, et al.
Veröffentlicht: (2025)

Keep Rehearsing and Refining: Lifelong Learning Vehicle Routing under Continually Drifting Tasks
von: Pei, Jiyuan, et al.
Veröffentlicht: (2026)

CRAFT: Forgetting-Aware Intervention-Based Adaptation for Continual Learning
von: Hossen, Md Anwar, et al.
Veröffentlicht: (2026)

On the Implicit Adversariality of Catastrophic Forgetting in Deep Continual Learning
von: Peng, Ze, et al.
Veröffentlicht: (2025)

mHC-lite: You Don't Need 20 Sinkhorn-Knopp Iterations
von: Yang, Yongyi, et al.
Veröffentlicht: (2026)

Don't Shoot The Breeze: Topic Continuity Model Using Nonlinear Naive Bayes With Attention
von: Pi, Shu-Ting, et al.
Veröffentlicht: (2026)

PROL : Rehearsal Free Continual Learning in Streaming Data via Prompt Online Learning
von: Ma'sum, M. Anwar, et al.
Veröffentlicht: (2025)

Benchmarking is Broken -- Don't Let AI be its Own Judge
von: Cheng, Zerui, et al.
Veröffentlicht: (2025)

Sequencing to Mitigate Catastrophic Forgetting in Continual Learning
von: Moussa, Hesham G., et al.
Veröffentlicht: (2025)

Accurate Forgetting for Heterogeneous Federated Continual Learning
von: Wuerkaixi, Abudukelimu, et al.
Veröffentlicht: (2025)

Don't be lazy: CompleteP enables compute-efficient deep transformers
von: Dey, Nolan, et al.
Veröffentlicht: (2025)

Don't Waste Your Time: Early Stopping Cross-Validation
von: Bergman, Edward, et al.
Veröffentlicht: (2024)

DATA: Decomposed Attention-based Task Adaptation for Rehearsal-Free Continual Learning
von: Liao, Huanxuan, et al.
Veröffentlicht: (2025)

Multi-granularity Knowledge Transfer for Continual Reinforcement Learning
von: Pan, Chaofan, et al.
Veröffentlicht: (2024)

FlowCritic: Bridging Value Estimation with Flow Matching in Reinforcement Learning
von: Zhong, Shan, et al.
Veröffentlicht: (2025)

Don't throw away your value model! Generating more preferable text with Value-Guided Monte-Carlo Tree Search decoding
von: Liu, Jiacheng, et al.
Veröffentlicht: (2023)

Addressing Loss of Plasticity and Catastrophic Forgetting in Continual Learning
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

REP: Resource-Efficient Prompting for Rehearsal-Free Continual Learning
von: Jeon, Sungho, et al.
Veröffentlicht: (2024)

xAI-Drop: Don't Use What You Cannot Explain
von: De Luca, Vincenzo Marco, et al.
Veröffentlicht: (2024)

Don't Lag, RAG: Training-Free Adversarial Detection Using RAG
von: Kazoom, Roie, et al.
Veröffentlicht: (2025)

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

Bringing Value Models Back: Generative Critics for Value Modeling in LLM Reinforcement Learning
von: Shan, Zikang, et al.
Veröffentlicht: (2026)

LLMs Don't Know Their Own Decision Boundaries: The Unreliability of Self-Generated Counterfactual Explanations
von: Mayne, Harry, et al.
Veröffentlicht: (2025)

Don't Play Favorites: Minority Guidance for Diffusion Models
von: Um, Soobin, et al.
Veröffentlicht: (2023)