Reinforcement Learning Papers

Willkommen in unserem GitHub-Repository! Dieses Repositorium widmet sich der Kuratierung bedeutender Forschungsarbeiten im Bereich Reinforcement Learning (RL) , die auf führenden akademischen Konferenzen wie AAAI , IJCAI , NeurIPS , ICML , ICLR , ICRA , AAMAS und anderen angenommen wurden. Wir stellen Ihnen einen praktischen Ressourcen-Hub zur Verfügung, der Ihnen hilft, über die neuesten Entwicklungen im Reinforcement Learning auf dem Laufenden zu bleiben, sich mit Forschungstrends auseinanderzusetzen und modernste Algorithmen und Methoden zu erkunden.

Nachricht

• 12.11.2023: Ich habe das zugehörige Repository hinzugefügt.
• 19.08.2023: Ich habe Beiträge hinzugefügt, die bei AAMAS'23, IJCAI'23, ICRA'23, ICML'23, ICLR'23, AAAI'23, NeurIPS'22 usw. angenommen wurden
• 06.01.2023: Ich habe das Repository erstellt.

Mitwirken

Markdown-Format:

 - **Paper Name**.
  [[pdf](link)]
  [[code](link)]
  - Author 1, Author 2, and Author 3. *conference, year*.

Bitte helfen Sie mit, diese Liste beizutragen, indem Sie mich kontaktieren oder eine Pull-Anfrage hinzufügen.

Bei Fragen können Sie mich gerne kontaktieren?

Inhaltsverzeichnis

• 1_Multi-Agent Reinforcement Learning (MARL)
• 2_Meta-Reinforcement-Lernen (Meta RL)
• 3_Hierarchisches Reinforcement Learning (HRL)
• 4_Multi-Task-Verstärkungslernen (Multi-Task RL)
• 5_Offline-Verstärkungslernen (Offline-RL)
• 6_Inverses Reinforcement Learning (IRL)
• 7_Verstärkendes Lernen mit großen Sprachmodellen

1_Multi-Agent Reinforcement Learning

• Online-Tuning für offline dezentrales Multi-Agent-Reinforcement-Lernen. [pdf]

  • Jiechuan Jiang, Zongqing Lu. AAAI 2023 .

• Belohnungsvergiftungsangriffe auf Offline-Multi-Agent-Reinforcement-Learning. [pdf]

  • Young Wu, Jeremy McMahan, Xiaojin Zhu, Qiaomin Xie. AAAI 2023 .

• Modelle als Agenten: Optimierung mehrstufiger Vorhersagen interaktiver lokaler Modelle im modellbasierten Multi-Agent-Reinforcement-Learning. [pdf]

  • Zifan Wu, Chao Yu, Chen Chen, Jianye Hao, Hankz Hankui Zhuo. AAAI 2023 .

• DeCOM: Zerlegte Richtlinie für eingeschränktes kooperatives Lernen zur Verstärkung mehrerer Agenten. [pdf]

  • Zhaoxing Yang, Haiming Jin, Rong Ding, Haoyi You, Guiyun Fan, Xinbing Wang, Chenghu Zhou. AAAI 2023 .

• Quantum Multi-Agent Meta Reinforcement Learning. [pdf]

  • Won Joon Yun, Jihong Park, Joongheon Kim. AAAI 2023 .

• Lernen der expliziten Kreditzuweisung für kooperatives Multi-Agent-Verstärkungslernen über einen Polarisationsrichtliniengradienten. [pdf]

  • Wubing Chen, Wenbin Li, Xiao Liu, Shangdong Yang, Yang Gao. AAAI 2023 .

• Lernen aus guten Trajektorien beim Offline-Multi-Agent-Reinforcement-Lernen. [pdf]

  • Qi Tian, ​​Kun Kuang, Furui Liu, Baoxiang Wang. AAAI 2023 .

• DM²: Dezentrales Multi-Agent-Reinforcement-Lernen über Distribution Matching. [pdf]

  • Caroline Wang, Ishan Durugkar, Elad Liebman, Peter Stone. AAAI 2023 .

• Konsenslernen für kooperatives Lernen zur Verstärkung mehrerer Agenten. [pdf]

  • Zhiwei Xu, Bin Zhang, Dapeng Li, Zeren Zhang, Guangchong Zhou, Hao Chen, Guoliang Fan. AAAI 2023 .

• HAVEN: Hierarchisches kooperatives Multi-Agent-Verstärkungslernen mit dualem Koordinationsmechanismus. [pdf]

  • Zhiwei Xu, Yunpeng Bai, Bin Zhang, Dapeng Li, Guoliang Fan. AAAI 2023 .

• DACOM: Lernen verzögerungsbewusster Kommunikation für Multi-Agent-Reinforcement-Learning. [pdf]

  • Tingting Yuan, Hwei-Ming Chung, Jie Yuan, Xiaoming Fu. AAAI 2023 .

• Zertifizierte Richtlinienglättung für kooperatives Multi-Agent-Reinforcement-Lernen. [pdf]

  • Ronghui Mu, Wenjie Ruan, Leandro Soriano Marcolino, Gaojie Jin, Qiang Ni. AAAI 2023 .

• Verbesserung der intelligenten, nachhaltigen Mobilität durch Spieltheorie und Multi-Agent-Reinforcement-Learning mit Anwendungen für Ridesharing. [pdf]

  • Lucia Cipolina-Kun. AAAI 2023 .

• Sicheres und effizientes Multi-Agent-Reinforcement-Lernen durch dynamische Abschirmung (Studentenzusammenfassung). [pdf]

  • Wenli Xiao, Yiwei Lyu, John M. Dolan. AAAI 2023 .

• Multi-Agent-Verstärkungslernen für die adaptive Netzverfeinerung. [pdf]

  • Jiachen Yang, Ketan Mittal, Tarik Dzanic, Socratis Petrides, Brendan Keith, Brenden K. Petersen, Daniel M. Faissol, Robert W. Anderson. AAMAS 2023 .

• Adaptive Lernraten für Multi-Agent Reinforcement Learning. [pdf]

  • Jiechuan Jiang, Zongqing Lu. AAMAS 2023 .

• Adaptive Wertzerlegung mit Greedy-Grenzbeitragsberechnung für kooperatives Multi-Agent-Verstärkungslernen. [pdf]

  • Shanqi Liu, Yujing Hu, Runze Wu, Dong Xing, Yu Xiong, Changjie Fan, Kun Kuang, Yong Liu. AAMAS 2023 .

• Ein Variationsansatz zur gegenseitigen informationsbasierten Koordination für Multi-Agent-Reinforcement-Lernen. [pdf]

  • Woojun Kim, Whiyoung Jung, Myungsik Cho, Youngchul Sung. AAMAS 2023 .

• Vermitteltes Multi-Agent-Reinforcement-Lernen. [pdf]

  • Dmitry Ivanov, Ilya Zisman, Kirill Chernyshev. AAMAS 2023 .

• EXPODE: Ausnutzung politischer Diskrepanzen für eine effiziente Erkundung beim Multi-Agent-Reinforcement-Lernen. [pdf]

  • Yucong Zhang, Chao Yu. AAMAS 2023 .

• AC2C: Adaptiv kontrollierte Zwei-Hop-Kommunikation für Multi-Agent-Reinforcement-Lernen. [pdf]

  • Xuefeng Wang, Xinran Li, Jiawei Shao, Jun Zhang. AAMAS 2023 .

• Lernen strukturierter Kommunikation für Multi-Agent-Reinforcement-Learning. [pdf]

  • Junjie Sheng, Xiangfeng Wang, Bo Jin, Wenhao Li, Jun Wang, Junchi Yan, Tsung-Hui Chang, Hongyuan Zha. AAMAS 2023 .

• Modellbasierte Sparse-Kommunikation im Multi-Agent-Reinforcement-Learning. [pdf]

  • Shuai Han, Mehdi Dastani, Shihan Wang. AAMAS 2023 .

• Sequentielles kooperatives Multi-Agent-Verstärkungslernen. [pdf]

  • Yifan Zang, Jinmin He, Kai Li, Haobo Fu, Qiang Fu, Junliang Xing. AAMAS 2023 .

• Asynchrones Multi-Agent-Verstärkungslernen für eine effiziente kooperative Multi-Roboter-Erkundung in Echtzeit. [pdf]

  • Chao Yu, Xinyi Yang, Jiaxuan Gao, Jiayu Chen, Yunfei Li, Jijia Liu, Yunfei Xiang, Ruixin Huang, Huazhong Yang, Yi Wu, Yu Wang. AAMAS 2023 .

• Lernen von mehreren unabhängigen Beratern beim Multi-Agent Reinforcement Learning. [pdf]

  • Sriram Ganapathi Subramanian, Matthew E. Taylor, Kate Larson, Mark Crowley. AAMAS 2023 .

• CraftEnv: Eine flexible kollektive Roboterkonstruktionsumgebung für Multi-Agent-Reinforcement-Lernen. [pdf]

  • Rui Zhao, Xu Liu, Yizheng Zhang, Minghao Li, Cheng Zhou, Shuai Li, Lei Han. AAMAS 2023 .

• Multi-Agent-Verstärkungslernen mit Sicherheitsschicht für aktive Spannungssteuerung. [pdf]

  • Yufeng Shi, Mingxiao Feng, Minrui Wang, Wengang Zhou, Houqiang Li. AAMAS 2023 .

• Modellbasierte dynamische Abschirmung für sicheres und effizientes Lernen zur Verstärkung mehrerer Agenten. [pdf]

  • Wenli Xiao, Yiwei Lyu, John M. Dolan. AAMAS 2023 .

• Auf dem Weg zu einer risikobasierten optimistischen Erkundung für kooperatives Lernen zur Verstärkung mehrerer Agenten. [pdf]

  • Jihwan Oh, Joonkee Kim, Minchan Jeong, Se-Young Yun. AAMAS 2023 .

• Gegenbeispielgesteuerte Richtlinienverfeinerung beim Multi-Agent-Reinforcement-Lernen. [pdf]

  • Briti Gangopadhyay, Pallab Dasgupta, Soumyajit Dey. AAMAS 2023 .

• Priorisiertes Aufgaben-Mining für kooperatives Multi-Agent-Verstärkungslernen mit mehreren Aufgaben. [pdf]

  • Yang Yu, Qiyue Yin, Junge Zhang, Kaiqi Huang. AAMAS 2023 .

• TransfQMix: Transformatoren zur Nutzung der Graphstruktur von Multi-Agent-Reinforcement-Lernproblemen. [pdf]

  • Matteo Gallici, Mario Martin, Ivan Masmitja. AAMAS 2023 .

• Parameterfreigabe mit Netzwerkbereinigung für skalierbares Deep Reinforcement Learning mit mehreren Agenten. [pdf]

  • Woojun Kim, Youngchul Sung. AAMAS 2023 .

• Auf dem Weg zur Erklärung von Aktionsabfolgen in Deep-Reinforcement-Learning-Modellen mit mehreren Agenten. [pdf]

  • Khaing Phyo Wai, Minghong Geng, Budhitama Subagdja, Shubham Pateria, Ah-Hwee Tan. AAMAS 2023 .

• Multi-Agent Deep Reinforcement Learning für Hochfrequenz-Multi-Market-Making. [pdf]

  • Pankaj Kumar. AAMAS 2023 .

• Lernen individueller Differenzbelohnungen beim Multi-Agent-Reinforcement-Learning. [pdf]

  • Chen Yang, Guangkai Yang, Junge Zhang. AAMAS 2023 .

• Ausgefallenes Multi-Agent-Reinforcement-Lernen. [pdf]

  • Wei Qiu, Weixun Wang, Rundong Wang, Bo An, Yujing Hu, Svetlana Obraztsova, Zinovi Rabinovich, Jianye Hao, Yingfeng Chen, Changjie Fan. AAMAS 2023 .

• Der selektive Erfahrungsaustausch verbessert das Multi-Agent-Reinforcement-Lernen. [pdf]

  • Matthias Gerstgrasser, Tom Danino, Sarah Keren. AAMAS 2023 .

• Off-the-Grid MARL: Datensätze und Basislinien für Offline-Multi-Agent-Reinforcement-Lernen. [pdf]

  • Claude Formanek, Asad Jeewa, Jonathan P. Shock, Arnu Pretorius. AAMAS 2023 .

• Konfrontativer Grey-Box-Angriff auf die Kommunikation beim Multi-Agent-Reinforcement-Learning. [pdf]

  • Xiao Ma, Wu-Jun Li. AAMAS 2023 .

• Multi-Agent-Verstärkungslernen für eine schnelle Nachfragereaktion von Wohnlasten. [pdf]

  • Vincent Mai, Philippe Maisonneuve, Tianyu Zhang, Hadi Nekoei, Liam Paull, Antoine Lesage-Landry. AAMAS 2023 .

• Lernen, sich für freiformbare modulare Roboter durch Altruism Multi-Agent Reinforcement Learning selbst neu zu konfigurieren. [pdf]

  • Lei Wu, Bin Guo, Qiuyun Zhang, Zhuo Sun, Jieyi Zhang, Zhiwen Yu. AAMAS 2023 .

• Multi-Agent-Pfadfindung durch Reinforcement Learning mit Hybrid-Belohnung. [pdf]

  • Cheng Zhao, Liansheng Zhuang, Haonan Liu, Yihong Huang, Jian Yang. AAMAS 2023 .

• Lernlösungen in großen Wirtschaftsnetzwerken mithilfe von Deep Multi-Agent Reinforcement Learning. [pdf]

  • Michael Curry, Alexander Trott, Soham Phade, Yu Bai, Stephan Zheng. AAMAS 2023 .

• Offline-Multi-Agent-Verstärkungslernen mit gekoppelter Wertfaktorisierung. [pdf]

  • Xiangsen Wang, Xianyuan Zhan. AAMAS 2023 .

• Kausalitätserkennung für effizientes Multi-Agent-Reinforcement-Lernen. [pdf]

  • Rafael Pina, Varuna De Silva, Corentin Artaud. AAMAS 2023 .

• Aufmerksamkeitsbasierte Wiederholung für Multi-Agent-Reinforcement-Lernen unter Zustandsunsicherheit. [pdf]

  • Thomy Phan, Fabian Ritz, Jonas Nüßlein, Michael Kölle, Thomas Gabor, Claudia Linnhoff-Popien. AAMAS 2023 .

• Faires Transportnetzwerkdesign mit Multi-Agent Reinforcement Learning. [pdf]

  • Dimitris Michailidis. AAMAS 2023 .

• Reinforcement Learning in Multi-Objective-Multi-Agent-Systemen. [pdf]

  • Willem Röpke. AAMAS 2023 .

• Verbesserung der intelligenten, nachhaltigen Mobilität durch Spieltheorie und Multi-Agent-Reinforcement-Learning. [pdf]

  • Lucia Cipolina-Kun. AAMAS 2023 .

• Stateful Active Facilitator: Koordination und Umgebungsheterogenität beim kooperativen Multi-Agent-Reinforcement-Lernen. [pdf]

  • Dianbo Liu, Vedant Shah, Oussama Boussif, Cristian Meo, Anirudh Goyal, Tianmin Shu, Michael Curtis Mozer, Nicolas Heess, Yoshua Bengio. ICLR 2023 .

• MACTA: Ein Multi-Agent-Reinforcement-Learning-Ansatz für Cache-Timing-Angriffe und -Erkennung. [pdf]

  • Jiaxun Cui, Xiaomeng Yang, Mulong Luo, Geunbae Lee, Peter Stone, Hsien-Hsin S. Lee, Benjamin Lee, G. Edward Suh, Wenjie Xiong, Yuandong Tian. ICLR 2023 .

• MAESTRO: Offenes Umgebungsdesign für Multi-Agent-Reinforcement-Learning. [pdf]

  • Mikayel Samvelyan, Akbir Khan, Michael Dennis, Minqi Jiang, Jack Parker-Holder, Jakob Nicolaus Foerster, Roberta Raileanu, Tim Rocktäschel. ICLR 2023 .

• Skalierungsgesetze für ein Multi-Agent-Reinforcement-Lernmodell. [pdf]

  • Oren Neumann, Claudius Gros. ICLR 2023 .

• RPM: Generalisierbare Multi-Agent-Richtlinien für Multi-Agent-Reinforcement-Learning. [pdf]

  • Wei Qiu, Xiao Ma, Bo An, Svetlana Obraztsova, Shuicheng Yan, Zhongwen Xu. ICLR 2023 .

• Günstige Gesprächserkennung und -nutzung beim Multi-Agent-Reinforcement-Lernen. [pdf]

  • Yat Long Lo, Christian Schröder de Witt, Samuel Sokota, Jakob Nicolaus Foerster, Shimon Whiteson. ICLR 2023 .

• Order Matters: Agent-für-Agent-Richtlinienoptimierung. [pdf]

  • Xihuai Wang, Zheng Tian, ​​Ziyu Wan, Ying Wen, Jun Wang, Weinan Zhang. ICLR 2023 .

• Kontextbewusste akteurkritische Methoden des Bayes'schen Netzwerks für kooperatives Lernen zur Verstärkung mehrerer Agenten. [pdf]

  • Dingyang Chen, Qi Zhang. ICML 2023 .

• Entitätsteiler mit Sprachgrundlage im Multi-Agent-Reinforcement-Lernen. [pdf]

  • Ziluo Ding, Wanpeng Zhang, Junpeng Yue, Xiangjun Wang, Tiejun Huang, Zongqing Lu. ICML 2023 .

• Orakel und Anhänger: Stackelberg-Gleichgewichte im Deep Multi-Agent Reinforcement Learning. [pdf]

  • Matthias Gerstgrasser, David C. Parkes. ICML 2023 .

• Ein adaptives Entropie-Regularisierungs-Framework für Multi-Agent-Reinforcement-Lernen. [pdf]

  • Woojun Kim, Youngchul Sung. ICML 2023 .

• RACE: Verbessern Sie das Multi-Agent-Reinforcement-Lernen mit Repräsentationsasymmetrie und kollaborativer Evolution. [pdf]

  • Pengyi Li, Jianye Hao, Hongyao Tang, Yan Zheng, Xian Fu. ICML 2023 .

• Lazy Agents: Eine neue Perspektive zur Lösung des Problems spärlicher Belohnungen beim Multi-Agent-Reinforcement-Lernen. [pdf]

  • Boyin Liu, Zhiqiang Pu, Yi Pan, Jianqiang Yi, Yanyan Liang, Du Zhang. ICML 2023 .

• Kooperatives Lernen zur Verstärkung mehrerer Agenten: Asynchrone Kommunikation und lineare Funktionsnäherung. [pdf]

  • Yifei Min, Jiafan He, Tianhao Wang, Quanquan Gu. ICML 2023 .

• Skalierbares Multi-Agent-Reinforcement-Learning durch intelligente Informationsaggregation. [pdf]

  • Siddharth Nayak, Kenneth Choi, Wenqi Ding, Sydney Dolan, Karthik Gopalakrishnan, Hamsa Balakrishnan. ICML 2023 .

• Aufmerksamkeitsbasierte Wiederholung für Multi-Agent-Reinforcement-Lernen unter stochastischer partieller Beobachtbarkeit. [pdf]

  • Thomy Phan, Fabian Ritz, Philipp Altmann, Maximilian Zorn, Jonas Nüßlein, Michael Kölle, Thomas Gabor, Claudia Linnhoff-Popien. ICML 2023 .

• Komplementäre Aufmerksamkeit für Multi-Agent-Reinforcement-Lernen. [pdf]

  • Jianzhun Shao, Hongchang Zhang, Yun Qu, Chang Liu, Shuncheng He, Yuhang Jiang, Xiangyang Ji. ICML 2023 .

• Lokale Optimierung erreicht globale Optimalität beim Multi-Agent-Reinforcement-Learning. [pdf]

  • Yulai Zhao, Zhuoran Yang, Zhaoran Wang, Jason D. Lee. ICML 2023 .

• Verfolgung mehrerer Ziele durch einen dezentralen heterogenen UAV-Schwarm unter Verwendung von Deep Multi-Agent Reinforcement Learning. [pdf]

  • Maryam Kouzeghar, Youngbin Song, Malika Meghjani, Roland Bouffanais. ICRA 2023 .

• Erklärbare Handlungsempfehlungen für Multi-Agent Reinforcement Learning. [pdf]

  • Yue Guo, Joseph Campbell, Simon Stepputtis, Ruiyu Li, Dana Hughes, Fei Fang, Katia P. Sycara. ICRA 2023 .

• Räumlich-zeitbewusstes, sicheres Multiagenten-Verstärkungslernen vernetzter autonomer Fahrzeuge in anspruchsvollen Szenarien. [pdf]

  • Zhili Zhang, Songyang Han, Jiangwei Wang, Fei Miao. ICRA 2023 .

• Konfliktbeschränkte Lernmethode zur Verstärkung mehrerer Agenten für die Parktrajektorienplanung. [pdf]

  • Siyuan Chen, Meiling Wang, Yi Yang, Wenjie Song. ICRA 2023 .

• Erklärbares Multi-Agent-Verstärkungslernen für zeitliche Abfragen. [pdf]

  • Kayla Boggess, Sarit Kraus, Lu Feng. IJCAI 2023 .

• Skalierbare Kommunikation für Multi-Agent-Reinforcement-Learning über transformatorbasierten E-Mail-Mechanismus. [pdf]

  • Xudong Guo, Daming Shi, Wenhui Fan. IJCAI 2023 .

• Lernen, Verstärkung zu senden: Koordinierung der dynamischen Polizeipatrouille mit mehreren Agenten und der Neuplanung durch Verstärkungslernen. [pdf]

  • Waldy Joe, Hoong Chuin Lau. IJCAI 2023 .

• Dezentrale Anomalieerkennung beim kooperativen Multi-Agent-Reinforcement-Lernen. [pdf]

  • Kiarash Kazari, Ezzeldin Shereen, György Dán. IJCAI 2023 .

• GPLight: Gruppiertes Multi-Agent-Verstärkungslernen für die groß angelegte Verkehrssignalsteuerung. [pdf]

  • Yilin Liu, Guiyang Luo, Quan Yuan, Jinglin Li, Lei Jin, Bo Chen, Rui Pan. IJCAI 2023 .

• Tiefes hierarchisches Kommunikationsdiagramm im Multi-Agent-Reinforcement-Lernen. [pdf]

  • Zeyang Liu, Lipeng Wan, Xue Sui, Zhuoran Chen, Kewu Sun, Xuguang Lan. IJCAI 2023 .

• Modellierung moralischer Entscheidungen in sozialen Dilemmata mit Multi-Agent Reinforcement Learning. [pdf]

  • Elizaveta Tennant, Stephen Hailes, Mirco Musolesi. IJCAI 2023 .

• Herbeiführung des Stackelberg-Gleichgewichts durch räumlich-zeitliche sequentielle Entscheidungsfindung beim Multi-Agent-Reinforcement-Lernen. [pdf]

  • Bin Zhang, Lijuan Li, Zhiwei Xu, Dapeng Li, Guoliang Fan. IJCAI 2023 .

• Selbstüberwachte Neuronensegmentierung mit Multi-Agent Reinforcement Learning. [pdf]

  • Yinda Chen, Wei Huang, Shenglong Zhou, Qi Chen, Zhiwei Xiong. IJCAI 2023 .

• MA2CL: Maskiertes aufmerksames kontrastives Lernen für Multi-Agent-Reinforcement-Lernen. [pdf]

  • Haolin Song, Mingxiao Feng, Wengang Zhou, Houqiang Li. IJCAI 2023 .

• Wettbewerbs-kooperatives Multi-Agent-Reinforcement-Lernen für auktionsbasiertes föderiertes Lernen. [pdf]

  • Xiaoli Tang, Han Yu. IJCAI 2023 .

• DPMAC: Differenziell private Kommunikation für kooperatives Multi-Agent-Reinforcement-Lernen. [pdf]

  • Canzhe Zhao, Yanjie Ze, Jing Dong, Baoxiang Wang, Shuai Li. IJCAI 2023 .

2_Meta-Verstärkungslernen

• Meta-Reinforcement-Lernen basierend auf selbstüberwachtem Aufgabenrepräsentationslernen. [pdf]
  • Mingyang Wang, Zhenshan Bing, Xiangtong Yao, Shuai Wang, Kai Huang, Hang Su, Chenguang Yang, Alois Knoll. AAAI 2023 .
• Quantum Multi-Agent Meta Reinforcement Learning. [pdf]
  • Won Joon Yun, Jihong Park, Joongheon Kim. AAAI 2023 .
• Ein CMDP-in-Online-Framework für Meta-Safe Reinforcement Learning. [pdf]
  • Vanshaj Khattar, Yuhao Ding, Bilgehan Sel, Javad Lavaei, Ming Jin. ICLR 2023 .
• Verteilendes Meta-Gradienten-Verstärkungslernen. [pdf]
  • Haiyan Yin, Shuicheng Yan, Zhongwen Xu. ICLR 2023 .
• Einfaches verkörpertes Sprachenlernen als Nebenprodukt des Meta-Reinforcement-Lernens. [pdf]
  • Evan Zheran Liu, Sahaana Suri, Tong Mu, Allan Zhou, Chelsea Finn. ICML 2023 .
• Offline-Meta-Verstärkungslernen mit In-Distribution-Online-Anpassung. [pdf]
  • Jianhao Wang, Jin Zhang, Haozhe Jiang, Junyu Zhang, Liwei Wang, Chongjie Zhang. ICML 2023 .
• Meta-verstärktes Lernen über Sprachanweisungen. [pdf]
  • Zhenshan Bing, Alexander W. Koch, Xiangtong Yao, Kai Huang, Alois Knoll. ICRA 2023 .
• Zero-Shot-Richtlinientransfer mit entwirrter Aufgabendarstellung des Meta-Reinforcement-Lernens. [pdf]
  • Zheng Wu, Yichen Xie, Wenzhao Lian, Changhao Wang, Yanjiang Guo, Jianyu Chen, Stefan Schaal, Masayoshi Tomizuka. ICRA 2023 .

3_Hierarchisches Verstärkungslernen

• HAVEN: Hierarchisches kooperatives Multi-Agent-Verstärkungslernen mit dualem Koordinationsmechanismus. [pdf]
  • Zhiwei Xu, Yunpeng Bai, Bin Zhang, Dapeng Li, Guoliang Fan. AAAI 2023 .
• Hierarchisches Mean-Field Deep Reinforcement Learning für große Multiagentensysteme. [pdf]
  • Chao Yu. AAAI 2023 .
• Hierarchisches Verstärkungslernen mit kollaborativer Teilzieloptimierung zwischen Mensch und KI. [pdf]
  • Haozhe Ma, Thanh Vinh Vo, Tze-Yun Leong. AAMAS 2023 .
• Hierarchisches Verstärkungslernen für Ad-hoc-Teaming. [pdf]
  • Stéphane Aroca-Ouellette, Miguel Aroca-Ouellette, Upasana Biswas, Katharina Kann, Alessandro Roncone. AAMAS 2023 .
• Zuordnen von Optionen zu Aufgaben mithilfe von optionindiziertem hierarchischem Verstärkungslernen. [pdf]
  • Kushal Chauhan, Soumya Chatterjee, Akash Reddy, Aniruddha S, Balaraman Ravindran, Pradeep Shenoy. AAMAS 2023 .
• Hierarchisches Verstärkungslernen mit Aufmerksamkeitsbelohnung. [pdf]
  • Sihong Luo, Jinghao Chen, Zheng Hu, Chunhong Zhang, Benhui Zhuang. AAMAS 2023 .
• Hierarchisches programmatisches Verstärkungslernen durch Lernen, Programme zu komponieren. [pdf]
  • Guan-Ting Liu, En-Pei Hu, Pu-Jen Cheng, Hung-Yi Lee, Shao-Hua Sun. ICML 2023 .
• Adaptive und erklärbare Bereitstellung von Navigationsfähigkeiten durch hierarchisches Deep Reinforcement Learning. [pdf]
  • Kyowoon Lee, Seongun Kim, Jaesik Choi. ICRA 2023 .

4_Multi-Task-Rinforcement-Lernen

• PiCor: Multi-Task Deep Reinforcement Learning mit Richtlinienkorrektur. [pdf]
  • Fengshuo Bai, Hongming Zhang, Tianyang Tao, Zhiheng Wu, Yanna Wang, Bo Xu. AAAI 2023 .
• Priorisiertes Aufgaben-Mining für kooperatives Multi-Agent-Verstärkungslernen mit mehreren Aufgaben. [pdf]
  • Yang Yu, Qiyue Yin, Junge Zhang, Kaiqi Huang. AAMAS 2023 .
• Untersuchung des Multitasking-Vortrainings und der Generalisierung beim Reinforcement Learning. [pdf]
  • Adrien Ali Taïga, Rishabh Agarwal, Jesse Farebrother, Aaron C. Courville, Marc G. Bellemare. ICLR 2023 .
• Demonstrationsgestütztes autonomes Üben durch Multi-Task-Reinforcement-Lernen. [pdf]
  • Abhishek Gupta, Corey Lynch, Brandon Kinman, Garrett Peake, Sergey Levine, Karol Hausman. ICRA 2023 .

5_Offline-Verstärkungslernen

• Konservatives Offline-Quantenverstärkungslernen. [pdf]
  • Zhihao Cheng, Kaining Zhang, Li Shen, Dacheng Tao. AAAI-Konferenz zu Künstlicher Intelligenz (AAAI 2023).
• Zur Stichprobenkomplexität des Vanilla-Modell-basierten Offline-Verstärkungslernens mit abhängigen Stichproben. [pdf]
  • Mustafa O. Karabag, Ufuk Topcu. AAAI-Konferenz zu Künstlicher Intelligenz (AAAI 2023).

6_Inverses Verstärkungslernen

• Fehlspezifikation beim inversen Verstärkungslernen. [pdf]
  • Joar Skalse, Alessandro Abate. AAAI 2023 .
• Multiagent Inverse Reinforcement Learning mittels Theory of Mind Reasoning. [pdf]
  • Haochen Wu, Pedro Sequeira, David V. Pynadath. AAMAS 2023 .
• Adversarial Inverse Reinforcement Learning für Mean-Field-Spiele. [pdf]
  • Yang Chen, Libo Zhang, Jiamou Liu, Michael Witbrock. AAMAS 2023 .
• LTL-basiertes nicht-markovianisches inverses Verstärkungslernen. [pdf]
  • Mohammad Afzal, Sankalp Gambhir, Ashutosh Gupta, S. Krishna, Ashutosh Trivedi, Alvaro Velasquez. AAMAS 2023 .
• LS-IQ: Implizite Belohnungsregularisierung für inverses Verstärkungslernen. [pdf]
  • Firas Al-Hafez, Davide Tateo, Oleg Arenz, Guoping Zhao, Jan Peters. ICLR 2023 .
• Kausales Nachahmungslernen durch inverses Verstärkungslernen. [pdf]
  • Kangrui Ruan, Junzhe Zhang, Xuan Di, Elias Bareinboim. ICLR 2023 .
• Benchmarking-Constraint-Inferenz beim inversen Verstärkungslernen. [pdf]
  • Guiliang Liu, Yudong Luo, Ashish Gaurav, Kasra Rezaee, Pascal Poupart. ICLR 2023 .
• CLARE: Konservatives modellbasiertes Belohnungslernen für Offline-Lernen mit inverser Verstärkung. [pdf]
  • Sheng Yue, Guanbo Wang, Wei Shao, Zhaofeng Zhang, Sen Lin, Ju Ren, Junshan Zhang. ICLR 2023 .
• Multitasking-hierarchisches kontradiktorisches inverses Reinforcement-Lernen. [pdf]
  • Jiayu Chen, Dipesh Tamboli, Tian Lan, Vaneet Aggarwal. ICML 2023 .
• Auf dem Weg zum theoretischen Verständnis des inversen Verstärkungslernens. [pdf]
  • Alberto Maria Metelli, Filippo Lazzati, Marcello Restelli. ICML 2023 .
• Identifizierbarkeit und Generalisierbarkeit beim Lernen mit eingeschränkter inverser Verstärkung. [pdf]
  • Andreas Schlaginhaufen, Maryam Kamgarpour. ICML 2023 .
• Inverses Reinforcement Learning ohne Reinforcement Learning. [pdf]
  • Gokul Swamy, David Wu, Sanjiban Choudhury, Drew Bagnell, Zhiwei Steven Wu. ICML 2023 .
• Inverse Reinforcement Learning Framework zur Übertragung von Richtlinien zur Aufgabensequenzierung von Menschen auf Roboter in Fertigungsanwendungen. [pdf]
  • Omey M. Manyar, Zachary McNulty, Stefanos Nikolaidis, Satyandra K. Gupta. ICRA 2023 .
• Lernen risikobewusster Kostenkarten durch Inverse-Reinforcement-Learning für die Offroad-Navigation. [pdf]
  • Samuel Triest, Mateo Guaman Castro, Parv Maheshwari, Matthew Sivaprakasam, Wenshan Wang, Sebastian A. Scherer. ICRA 2023 .
• DriveIRL: Fahren Sie im echten Leben mit Inverse Reinforcement Learning. [pdf]
  • Tung Phan-Minh, Forbes Howington, Ting-Sheng Chu, Momchil S. Tomov, Robert E. Beaudoin, Sang Uk Lee, Nanxiang Li, Caglayan Dicle, Samuel Findler, Francisco Suárez-Ruiz, Bo Yang, Sammy Omari, Eric M. Wolff. ICRA 2023 .
• Zeigen Sie mir, was Sie wollen: Inverses Reinforcement-Lernen zum automatischen Entwerfen von Roboterschwärmen durch Demonstration. [pdf]
  • Ilyes Gharbi, Jonas Kuckling, David Garzón-Ramos, Mauro Birattari. ICRA 2023 .
• Optionsbewusstes kontradiktorisches inverses Verstärkungslernen für die Robotersteuerung. [pdf]
  • Jiayu Chen, Tian Lan, Vaneet Aggarwal. ICRA 2023 .
• SoLo T-DIRL: Sozialbewusster dynamischer lokaler Planer basierend auf Trajectory-Ranked Deep Inverse Reinforcement Learning. [pdf]
  • Yifan Xu, Theodor Chakhachiro, Tribhi Kathuria, Maani Ghaffari. ICRA 2023 .
• InitLight: Erste Modellgenerierung für die Verkehrssignalsteuerung mithilfe von Adversarial Inverse Reinforcement Learning. [pdf]
  • Yutong Ye, Yingbo Zhou, Jiepin Ding, Ting Wang, Mingsong Chen, Xiang Lian. IJCAI 2023 .

7_Verstärkendes Lernen mit großen Sprachmodellen

• Deep Reinforcement Learning aus menschlichen Vorlieben. [pdf]
  • Paul F. Christiano, Jan Leike, Tom Brown, Miljan Martic, Shane Legg, Dario Amodei NeurIPS 2017 .
• Sprachmodelle trainieren, um Anweisungen mit menschlichem Feedback zu befolgen. [pdf]
  • Long Ouyang, Jeffrey Wu, Xu Jiang, Diogo Almeida, Carroll Wainwright, Pamela Mishkin, Chong Zhang, Sandhini Agarwal, Katarina Slama, Alex Ray, John Schulman, Jacob Hilton, Fraser Kelton, Luke Miller, Maddie Simens, Amanda Askell, Peter Welinder , Paul F. Christiano, Jan Leike, Ryan Lowe. NeurIPS 2022 .
• Direkte Präferenzoptimierung: Ihr Sprachmodell ist insgeheim ein Belohnungsmodell. [pdf]
  • Rafael Rafailov, Archit Sharma, Eric Mitchell, Stefano Ermon, Christopher D. Manning, Chelsea Finn. NeurIPS 2023 .
• Anleitung zum Vortraining im Reinforcement Learning mit großen Sprachmodellen. [pdf]
  • Yuqing Du, Olivia Watkins, Zihan Wang, Cédric Colas, Trevor Darrell, Pieter Abbeel, Abhishek Gupta, Jacob Andreas. ICML 2023 .
• Belohnungsdesign mit Sprachmodellen. [pdf]
  • Minae Kwon, Sang Michael Xie, Kalesha Bullard, Dorsa Sadigh. ICLR 2023 .
• Vorgefertigte Sprachmodelle für interaktive Entscheidungsfindung. [pdf]
  • Shuang Li, Xavier Puig, Chris Paxton, Yilun Du, Clinton Wang, Linxi Fan, Tao Chen, De-An Huang, Ekin Akyürek, Anima Anandkumar, Jacob Andreas, Igor Mordatch, Antonio Torralba, Yuke Zhu. NeurIPS 2022 .

Zitat

Wenn Sie diese Toolbox in Ihrer Forschung verwenden, zitieren Sie bitte dieses Projekt.

 @misc{YalunAwesome,
    author = {Yalun Wu},
    title = {Reinforcement-Learning-Papers},
    year = {2023},
    howpublished = {url{https://github.com/Allenpandas/Reinforcement-Learning-Papers}}
}