Buchumschlag

Understanding Goal Generalisation in Sequential Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Brown, Jason Ross, Young, Edward James
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence I.2.6
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Simple Generalisation of the Implicit Dynamics of In-Context Learning
von: Innocenti, Francesco, et al.
Veröffentlicht: (2025)

Bounded Ratio Reinforcement Learning
von: Ao, Yunke, et al.
Veröffentlicht: (2026)

Expressive Value Learning for Scalable Offline Reinforcement Learning
von: Espinosa-Dice, Nicolas, et al.
Veröffentlicht: (2025)

Why Online Reinforcement Learning is Causal
von: Schulte, Oliver, et al.
Veröffentlicht: (2024)

Deep Memory Search: A Metaheuristic Approach for Optimizing Heuristic Search
von: Hedar, Abdel-Rahman, et al.
Veröffentlicht: (2024)

Path-Coupled Bellman Flows for Distributional Reinforcement Learning
von: Xu, Boyang, et al.
Veröffentlicht: (2026)

Multi-Task Reinforcement Learning with Language-Encoded Gated Policy Networks
von: Arora, Rushiv
Veröffentlicht: (2025)

An Idiosyncrasy of Time-discretization in Reinforcement Learning
von: De Asis, Kris, et al.
Veröffentlicht: (2024)

Safe Reinforcement Learning with Preference-based Constraint Inference
von: Li, Chenglin, et al.
Veröffentlicht: (2026)

CORE: Towards Scalable and Efficient Causal Discovery with Reinforcement Learning
von: Sauter, Andreas W. M., et al.
Veröffentlicht: (2024)

Understanding Variational Autoencoders with Intrinsic Dimension and Information Imbalance
von: Camboulin, Charles, et al.
Veröffentlicht: (2024)

When Actions Disappear: Adversarial Action Removal in Self-Play Reinforcement Learning
von: Kujur, Arahan
Veröffentlicht: (2026)

GIRL: Generative Imagination Reinforcement Learning via Information-Theoretic Hallucination Control
von: Hiremath, Prakul Sunil
Veröffentlicht: (2026)

Umbrella Reinforcement Learning -- computationally efficient tool for hard non-linear problems
von: Nuzhin, Egor E., et al.
Veröffentlicht: (2024)

FastForward Pruning: Efficient LLM Pruning via Single-Step Reinforcement Learning
von: Yuan, Xin, et al.
Veröffentlicht: (2025)

Fusing Rewards and Preferences in Reinforcement Learning
von: Khorasani, Sadegh, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning for Adverse Garage Scenario Generation
von: Li, Kai
Veröffentlicht: (2024)

MTDrive: Multi-turn Interactive Reinforcement Learning for Autonomous Driving
von: Li, Xidong, et al.
Veröffentlicht: (2026)

Machine Learning vs Deep Learning: The Generalization Problem
von: Bay, Yong Yi, et al.
Veröffentlicht: (2024)

Behavior Learning (BL): Learning Hierarchical Optimization Structures from Data
von: Ma, Zhenyao, et al.
Veröffentlicht: (2026)

D-Shape: Demonstration-Shaped Reinforcement Learning via Goal Conditioning
von: Wang, Caroline, et al.
Veröffentlicht: (2022)

Ground-Compose-Reinforce: Grounding Language in Agentic Behaviours using Limited Data
von: Li, Andrew C., et al.
Veröffentlicht: (2025)

Extreme AutoML: Analysis of Classification, Regression, and NLP Performance
von: Ratner, Edward, et al.
Veröffentlicht: (2024)

DataRater: Meta-Learned Dataset Curation
von: Calian, Dan A., et al.
Veröffentlicht: (2025)

Social Interpretable Reinforcement Learning
von: Custode, Leonardo Lucio, et al.
Veröffentlicht: (2024)

SMOSE: Sparse Mixture of Shallow Experts for Interpretable Reinforcement Learning in Continuous Control Tasks
von: Vincze, Mátyás, et al.
Veröffentlicht: (2024)

FlowSteer: Towards Agents Designing Agentic Workflows via Reinforced Progressive Canvas Editing
von: Zhang, Mingda, et al.
Veröffentlicht: (2026)

Extrinsicaly Rewarded Soft Q Imitation Learning with Discriminator
von: Furuyama, Ryoma, et al.
Veröffentlicht: (2024)

Evidential Deep Active Learning for Semi-Supervised Classification
von: Zhao, Shenkai, et al.
Veröffentlicht: (2025)

Integrating Causality with Neurochaos Learning: Proposed Approach and Research Agenda
von: Narendra, Nanjangud C., et al.
Veröffentlicht: (2025)

TACO: Tackling Over-correction in Federated Learning with Tailored Adaptive Correction
von: Liu, Weijie, et al.
Veröffentlicht: (2025)

Load and Renewable Energy Forecasting Using Deep Learning for Grid Stability
von: Sarkar, Kamal
Veröffentlicht: (2025)

Learning Agents With Prioritization and Parameter Noise in Continuous State and Action Space
von: Mangannavar, Rajesh, et al.
Veröffentlicht: (2024)

What changes after deployment? A survey on On-device Learning in TinyML
von: Pavan, Massimo, et al.
Veröffentlicht: (2026)

Hybrid-AIRL: Enhancing Inverse Reinforcement Learning with Supervised Expert Guidance
von: Silue, Bram, et al.
Veröffentlicht: (2025)

Compositional Concept-Based Neuron-Level Interpretability for Deep Reinforcement Learning
von: Jiang, Zeyu, et al.
Veröffentlicht: (2025)

TS-ACL: Closed-Form Solution for Time Series-oriented Continual Learning
von: Li, Jiaxu, et al.
Veröffentlicht: (2024)

Upside Down Reinforcement Learning with Policy Generators
von: Di Ventura, Jacopo, et al.
Veröffentlicht: (2025)

FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification
von: Tian, Tian, et al.
Veröffentlicht: (2025)

Low-Dimensional Execution Manifolds in Transformer Learning Dynamics: Evidence from Modular Arithmetic Tasks
von: Xu, Yongzhong
Veröffentlicht: (2026)