Reinforcement Learning Papers

¡Bienvenido a nuestro repositorio de GitHub! Este repositorio está dedicado a seleccionar artículos de investigación importantes en el campo del aprendizaje por refuerzo (RL) que han sido aceptados en las principales conferencias académicas como AAAI , IJCAI , NeurIPS , ICML , ICLR , ICRA , AAMAS y más. Le brindamos un conveniente centro de recursos para ayudarlo a mantenerse actualizado sobre los últimos desarrollos en aprendizaje por refuerzo, profundizar en las tendencias de investigación y explorar algoritmos y métodos de vanguardia.

Noticias

• 12/11/2023: Agregué el repositorio relacionado.
• 2023/8/19: Agregué trabajos aceptados en AAMAS'23, IJCAI'23, ICRA'23, ICML'23, ICLR'23, AAAI'23, NeurIPS'22, etc.
• 6/1/2023: Creé el repositorio.

Contribuyendo

Formato de rebajas:

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

Ayúdeme a contribuir con esta lista comunicándose conmigo o agregando una solicitud de extracción.

Para cualquier pregunta, no dudes en ponerte en contacto conmigo.

Tabla de contenido

• 1_Aprendizaje por refuerzo multiagente (MARL)
• 2_Metaaprendizaje por refuerzo (Meta RL)
• 3_Aprendizaje por refuerzo jerárquico (HRL)
• 4_Aprendizaje por refuerzo multitarea (RL multitarea)
• 5_Aprendizaje por refuerzo sin conexión (RL sin conexión)
• 6_Aprendizaje por refuerzo inverso (IRL)
• 7_Aprendizaje por refuerzo con modelos de lenguaje grandes

1_Aprendizaje por refuerzo multiagente

• Ajuste en línea para el aprendizaje por refuerzo de múltiples agentes descentralizado fuera de línea. [pdf]

  • Jiechuan Jiang, Zongqing Lu. AAAI 2023 .

• Recompensar los ataques de envenenamiento en el aprendizaje por refuerzo de múltiples agentes fuera de línea. [pdf]

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

• Modelos como agentes: optimización de predicciones de varios pasos de modelos locales interactivos en el aprendizaje por refuerzo de múltiples agentes basado en modelos. [pdf]

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

• DeCOM: Política descompuesta para el aprendizaje por refuerzo cooperativo restringido de múltiples agentes. [pdf]

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

• Metaaprendizaje cuántico por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje de la asignación de créditos explícitos para el aprendizaje por refuerzo cooperativo de múltiples agentes a través del gradiente de políticas de polarización. [pdf]

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

• Aprender de buenas trayectorias en el aprendizaje por refuerzo de múltiples agentes fuera de línea. [pdf]

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

• DM²: Aprendizaje por refuerzo descentralizado de múltiples agentes mediante coincidencia de distribución. [pdf]

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

• Aprendizaje por consenso para el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

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

• HAVEN: Aprendizaje por refuerzo jerárquico cooperativo multiagente con mecanismo de coordinación dual. [pdf]

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

• DACOM: Comunicación consciente del retraso en el aprendizaje para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Suavizado de políticas certificadas para el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

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

• Mejora de la movilidad inteligente y sostenible con teoría de juegos y aprendizaje por refuerzo de múltiples agentes con aplicaciones para compartir viajes. [pdf]

  • Lucía Cipolina Kun. AAAI 2023 .

• Abordar el aprendizaje por refuerzo de múltiples agentes seguro y eficiente mediante el blindaje dinámico (resumen del estudiante). [pdf]

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

• Aprendizaje por refuerzo de múltiples agentes para el refinamiento de malla adaptativa. [pdf]

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

• Tasas de aprendizaje adaptativo para el aprendizaje por refuerzo de múltiples agentes. [pdf]

  • Jiechuan Jiang, Zongqing Lu. AAMAS 2023 .

• Descomposición del valor adaptativo con cálculo codicioso de la contribución marginal para el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

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

• Un enfoque variado para la coordinación mutua basada en información para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje por refuerzo mediado por múltiples agentes. [pdf]

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

• EXPODE: Aprovechamiento de la discrepancia de políticas para una exploración eficiente en el aprendizaje por refuerzo de múltiples agentes. [pdf]

  • Yucong Zhang, Chao Yu. AAMAS 2023 .

• AC2C: comunicación de dos saltos controlada de forma adaptativa para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje de la comunicación estructurada para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Comunicación dispersa basada en modelos en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje por refuerzo cooperativo secuencial multiagente. [pdf]

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

• Aprendizaje por refuerzo asincrónico de múltiples agentes para una exploración cooperativa eficiente de múltiples robots en tiempo real. [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 .

• Aprendizaje de múltiples asesores independientes en aprendizaje por refuerzo multiagente. [pdf]

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

• CraftEnv: un entorno de construcción robótica colectiva flexible para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje por refuerzo multiagente con capa de seguridad para control activo de voltaje. [pdf]

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

• Blindaje dinámico basado en modelos para un aprendizaje por refuerzo multiagente seguro y eficiente. [pdf]

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

• Hacia una exploración optimista basada en riesgos para el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

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

• Refinamiento de políticas guiado por contraejemplos en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Minería de tareas priorizadas para el aprendizaje por refuerzo cooperativo de múltiples tareas y agentes. [pdf]

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

• TransfQMix: transformadores para aprovechar la estructura gráfica de problemas de aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Uso compartido de parámetros con poda de red para un aprendizaje por refuerzo profundo escalable con múltiples agentes. [pdf]

  • Woojun Kim, Youngchul Sung. AAMAS 2023 .

• Hacia la explicación de secuencias de acciones en modelos de aprendizaje por refuerzo profundo de múltiples agentes. [pdf]

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

• Aprendizaje por refuerzo profundo de múltiples agentes para la creación de mercados múltiples de alta frecuencia. [pdf]

  • Pankaj Kumar. AAMAS 2023 .

• Aprendizaje de recompensas de diferencia individual en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje por refuerzo fuera de lo común con múltiples agentes. [pdf]

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

• Compartir experiencias de forma selectiva mejora el aprendizaje por refuerzo entre múltiples agentes. [pdf]

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

• MARL fuera de la red: conjuntos de datos y líneas de base para el aprendizaje por refuerzo de múltiples agentes fuera de línea. [pdf]

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

• Ataque adversario de caja gris a la comunicación en el aprendizaje por refuerzo de múltiples agentes. [pdf]

  • Xiao Ma, Wu-Jun Li. AAMAS 2023 .

• Aprendizaje por refuerzo de múltiples agentes para una respuesta a la demanda en escalas de tiempo rápidas de cargas residenciales. [pdf]

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

• Aprender a autoconfigurarse para robots modulares de forma libre mediante el aprendizaje por refuerzo de múltiples agentes altruistas. [pdf]

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

• Búsqueda de rutas de agentes múltiples mediante aprendizaje por refuerzo con recompensa híbrida. [pdf]

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

• Soluciones de aprendizaje en grandes redes económicas mediante aprendizaje por refuerzo profundo de múltiples agentes. [pdf]

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

• Aprendizaje por refuerzo de múltiples agentes fuera de línea con factorización de valor acoplado. [pdf]

  • Xiangsen Wang, Xianyuan Zhan. AAMAS 2023 .

• Detección de causalidad para un aprendizaje por refuerzo eficiente de múltiples agentes. [pdf]

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

• Recurrencia basada en la atención para el aprendizaje por refuerzo de múltiples agentes bajo incertidumbre estatal. [pdf]

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

• Diseño justo de redes de transporte mediante aprendizaje por refuerzo de múltiples agentes. [pdf]

  • Dimitris Michailidis. AAMAS 2023 .

• Aprendizaje por refuerzo en sistemas multiobjetivo y multiagente. [pdf]

  • Willem Röpke. AAMAS 2023 .

• Mejora de la movilidad inteligente y sostenible con teoría de juegos y aprendizaje por refuerzo de múltiples agentes. [pdf]

  • Lucía Cipolina Kun. AAMAS 2023 .

• Facilitador activo con estado: coordinación y heterogeneidad ambiental en el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

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

• MACTA: un enfoque de aprendizaje por refuerzo de múltiples agentes para la detección y los ataques de sincronización de caché. [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: Diseño de entorno abierto para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Leyes de escala para un modelo de aprendizaje por refuerzo de múltiples agentes. [pdf]

  • Oren Neumann, Claudio Gros. ICLR 2023 .

• RPM: Políticas multiagente generalizables para el aprendizaje por refuerzo multiagente. [pdf]

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

• Descubrimiento y utilización de conversaciones económicas en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• El pedido importa: optimización de políticas agente por agente. [pdf]

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

• Métodos de actor crítico de red bayesiana consciente del contexto para el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

  • Dingyang Chen, Qi Zhang. ICML 2023 .

• Divisor de entidades con base lingüística en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Oráculos y seguidores: equilibrios de Stackelberg en el aprendizaje por refuerzo profundo de múltiples agentes. [pdf]

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

• Un marco adaptativo de regularización de entropía para el aprendizaje por refuerzo de múltiples agentes. [pdf]

  • Woojun Kim, Youngchul Sung. ICML 2023 .

• RACE: Mejorar el aprendizaje por refuerzo de múltiples agentes con asimetría de representación y evolución colaborativa. [pdf]

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

• Agentes perezosos: una nueva perspectiva para resolver el problema de las recompensas escasas en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje cooperativo por refuerzo de múltiples agentes: comunicación asincrónica y aproximación de funciones lineales. [pdf]

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

• Aprendizaje por refuerzo escalable de múltiples agentes mediante agregación inteligente de información. [pdf]

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

• Recurrencia basada en la atención para el aprendizaje por refuerzo de múltiples agentes bajo observabilidad parcial estocástica. [pdf]

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

• Atención complementaria para el aprendizaje por refuerzo multiagente. [pdf]

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

• La optimización local logra la optimización global en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Persecución de objetivos múltiples por parte de un enjambre de vehículos aéreos no tripulados heterogéneos y descentralizados utilizando el aprendizaje por refuerzo profundo de múltiples agentes. [pdf]

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

• Asesoramiento de acción explicable para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje reforzado multiagente seguro con conciencia espacial y temporal de vehículos autónomos conectados en escenarios desafiantes. [pdf]

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

• Método de aprendizaje por refuerzo de múltiples agentes restringido por conflictos para la planificación de trayectorias de estacionamiento. [pdf]

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

• Aprendizaje por refuerzo explicable de múltiples agentes para consultas temporales. [pdf]

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

• Comunicación escalable para el aprendizaje reforzado con múltiples agentes a través de un mecanismo de correo electrónico basado en transformador. [pdf]

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

• Aprender a enviar refuerzos: coordinar el envío y la reprogramación de patrullas policiales dinámicas de múltiples agentes mediante el aprendizaje por refuerzo. [pdf]

  • Waldy Joe, Hoong Chuin Lau. IJCAI 2023 .

• Detección de anomalías descentralizada en el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

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

• GPLight: Aprendizaje por refuerzo agrupado de múltiples agentes para el control de señales de tráfico a gran escala. [pdf]

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

• Gráfico de comunicación jerárquica profunda en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Modelado de elecciones morales en dilemas sociales con aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Inducción del equilibrio de Stackelberg mediante la toma de decisiones secuencial espacio-temporal en el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Segmentación neuronal autosupervisada con aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• MA2CL: Aprendizaje contrastivo atento enmascarado para el aprendizaje por refuerzo de múltiples agentes. [pdf]

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

• Aprendizaje por refuerzo competitivo-cooperativo de múltiples agentes para el aprendizaje federado basado en subastas. [pdf]

  • Xiaoli Tang, Han Yu. IJCAI 2023 .

• DPMAC: Comunicación diferencialmente privada para el aprendizaje cooperativo por refuerzo de múltiples agentes. [pdf]

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

2_Metaaprendizaje por refuerzo

• Aprendizaje por metarrefuerzo basado en el aprendizaje de representación de tareas autosupervisado. [pdf]
  • Mingyang Wang, Zhenshan Bing, Xiangtong Yao, Shuai Wang, Kai Huang, Hang Su, Chenguang Yang, Alois Knoll. AAAI 2023 .
• Metaaprendizaje cuántico por refuerzo de múltiples agentes. [pdf]
  • Won Joon Yun, Parque Jihong, Joongheon Kim. AAAI 2023 .
• Un marco CMDP en línea para el aprendizaje por refuerzo metaseguro. [pdf]
  • Vanshaj Khattar, Yuhao Ding, Bilgehan Sel, Javad Lavaei, Ming Jin. ICLR 2023 .
• Aprendizaje por refuerzo distributivo de metagradientes. [pdf]
  • Haiyan Yin, Shuicheng Yan, Zhongwen Xu. ICLR 2023 .
• El aprendizaje de lenguas incorporadas simples como subproducto del aprendizaje por metarrefuerzo. [pdf]
  • Evan Zheran Liu, Sahaana Suri, Tong Mu, Allan Zhou, Chelsea Finn. ICML 2023 .
• Metaaprendizaje por refuerzo fuera de línea con adaptación en línea en distribución. [pdf]
  • Jianhao Wang, Jin Zhang, Haozhe Jiang, Junyu Zhang, Liwei Wang, Chongjie Zhang. ICML 2023 .
• Aprendizaje por metarrefuerzo mediante instrucciones lingüísticas. [pdf]
  • Zhenshan Bing, Alexander W. Koch, Xiangtong Yao, Kai Huang, Alois Knoll. ICRA 2023 .
• Transferencia de políticas de disparo cero con representación de tareas desenredadas del aprendizaje por meta-refuerzo. [pdf]
  • Zheng Wu, Yichen Xie, Wenzhao Lian, Changhao Wang, Yanjiang Guo, Jianyu Chen, Stefan Schaal, Masayoshi Tomizuka. ICRA 2023 .

3_Aprendizaje por refuerzo jerárquico

• HAVEN: Aprendizaje por refuerzo jerárquico cooperativo multiagente con mecanismo de coordinación dual. [pdf]
  • Zhiwei Xu, Yunpeng Bai, Bin Zhang, Dapeng Li, Guoliang Fan. AAAI 2023 .
• Aprendizaje por refuerzo profundo de campo medio jerárquico para sistemas multiagente a gran escala. [pdf]
  • Chao Yu. AAAI 2023 .
• Aprendizaje por refuerzo jerárquico con optimización de subobjetivos colaborativos entre humanos e IA. [pdf]
  • Haozhe Ma, Thanh Vinh Vo, Tze-Yun Leong. AAMAS 2023 .
• Aprendizaje por refuerzo jerárquico para equipos ad hoc. [pdf]
  • Stéphane Aroca-Ouellette, Miguel Aroca-Ouellette, Upasana Biswas, Katharina Kann, Alessandro Roncone. AAMAS 2023 .
• Emparejar opciones con tareas mediante el aprendizaje por refuerzo jerárquico indexado por opciones. [pdf]
  • Kushal Chauhan, Soumya Chatterjee, Akash Reddy, Aniruddha S, Balaraman Ravindran, Pradeep Shenoy. AAMAS 2023 .
• Aprendizaje por refuerzo jerárquico con recompensa de atención. [pdf]
  • Sihong Luo, Jinghao Chen, Zheng Hu, Chunhong Zhang, Benhui Zhuang. AAMAS 2023 .
• Aprendizaje por refuerzo programático jerárquico mediante el aprendizaje de la composición de programas. [pdf]
  • Guan-Ting Liu, En-Pei Hu, Pu-Jen Cheng, Hung-Yi Lee, Shao-Hua Sun. ICML 2023 .
• Despliegue adaptativo y explicable de habilidades de navegación mediante aprendizaje jerárquico por refuerzo profundo. [pdf]
  • Kyowoon Lee, Seongun Kim, Jaesik Choi. ICRA 2023 .

4_Aprendizaje por refuerzo multitarea

• PiCor: aprendizaje por refuerzo profundo multitarea con corrección de políticas. [pdf]
  • Fengshuo Bai, Hongming Zhang, Tianyang Tao, Zhiheng Wu, Yanna Wang, Bo Xu. AAAI 2023 .
• Minería de tareas priorizadas para el aprendizaje por refuerzo cooperativo de múltiples tareas y agentes. [pdf]
  • Yang Yu, Qiyue Yin, Junge Zhang, Kaiqi Huang. AAMAS 2023 .
• Investigación de la generalización y preentrenamiento multitarea en el aprendizaje por refuerzo. [pdf]
  • Adrien Ali Taïga, Rishabh Agarwal, Jesse Farebrother, Aaron C. Courville, Marc G. Bellemare. ICLR 2023 .
• Práctica autónoma impulsada por demostración mediante aprendizaje por refuerzo de tareas múltiples. [pdf]
  • Abhishek Gupta, Corey Lynch, Brandon Kinman, Garrett Peake, Sergey Levine, Karol Hausman. ICRA 2023 .

5_Aprendizaje por refuerzo fuera de línea

• Aprendizaje por refuerzo cuántico fuera de línea de manera conservadora. [pdf]
  • Zhihao Cheng, Kaining Zhang, Li Shen, Dacheng Tao. Conferencia AAAI sobre Inteligencia Artificial (AAAI 2023).
• Sobre la complejidad de la muestra del aprendizaje por refuerzo fuera de línea basado en el modelo Vanilla con muestras dependientes. [pdf]
  • Mustafa O. Karabag, Ufuk Topcu. Conferencia AAAI sobre Inteligencia Artificial (AAAI 2023).

6_Aprendizaje por refuerzo inverso

• Especificación errónea en el aprendizaje por refuerzo inverso. [pdf]
  • Joar Skálse, Alessandro Abate. AAAI 2023 .
• Aprendizaje por refuerzo inverso multiagente mediante la teoría del razonamiento mental. [pdf]
  • Haochen Wu, Pedro Sequeira, David V. Pynadath. AAMAS 2023 .
• Aprendizaje por refuerzo inverso adversario para juegos de campo medios. [pdf]
  • Yang Chen, Libo Zhang, Jiamou Liu, Michael Witbrock. AAMAS 2023 .
• Aprendizaje por refuerzo inverso no markoviano basado en LTL. [pdf]
  • Mohammad Afzal, Sankalp Gambhir, Ashutosh Gupta, S. Krishna, Ashutosh Trivedi, Alvaro Velásquez. AAMAS 2023 .
• LS-IQ: Regularización de recompensa implícita para el aprendizaje por refuerzo inverso. [pdf]
  • Firas Al-Hafez, Davide Tateo, Oleg Arenz, Guoping Zhao, Jan Peters. ICLR 2023 .
• Aprendizaje por imitación causal mediante aprendizaje por refuerzo inverso. [pdf]
  • Kangrui Ruan, Junzhe Zhang, Xuan Di, Elias Bareinboim. ICLR 2023 .
• Evaluación comparativa de la inferencia de restricciones en el aprendizaje por refuerzo inverso. [pdf]
  • Guiliang Liu, Yudong Luo, Ashish Gaurav, Kasra Rezaee, Pascal Poupart. ICLR 2023 .
• CLARE: Aprendizaje de recompensa basado en modelos conservadores para el aprendizaje por refuerzo inverso fuera de línea. [pdf]
  • Sheng Yue, Guanbo Wang, Wei Shao, Zhaofeng Zhang, Sen Lin, Ju Ren, Junshan Zhang. ICLR 2023 .
• Aprendizaje por refuerzo inverso adversario jerárquico multitarea. [pdf]
  • Jiayu Chen, Dipesh Tamboli, Tian Lan, Vaneet Aggarwal. ICML 2023 .
• Hacia la comprensión teórica del aprendizaje por refuerzo inverso. [pdf]
  • Alberto María Metelli, Filippo Lazzati, Marcello Restelli. ICML 2023 .
• Identificabilidad y generalización en el aprendizaje por refuerzo inverso restringido. [pdf]
  • Andreas Schlaginhaufen, Maryam Kamgarpour. ICML 2023 .
• Aprendizaje por refuerzo inverso sin aprendizaje por refuerzo. [pdf]
  • Gokul Swamy, David Wu, Sanjiban Choudhury, Drew Bagnell, Zhiwei Steven Wu. ICML 2023 .
• Marco de aprendizaje por refuerzo inverso para transferir políticas de secuenciación de tareas de humanos a robots en aplicaciones de fabricación. [pdf]
  • Omey M. Manyar, Zachary McNulty, Stefanos Nikolaidis, Satyandra K. Gupta. ICRA 2023 .
• Aprendizaje de mapas de costos conscientes del riesgo mediante aprendizaje por refuerzo inverso para navegación todoterreno. [pdf]
  • Samuel Triest, Mateo Guaman Castro, Parv Maheshwari, Matthew Sivaprakasam, Wenshan Wang, Sebastian A. Scherer. ICRA 2023 .
• DriveIRL: Conduce en la vida real con aprendizaje por refuerzo inverso. [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 .
• Muéstrame lo que quieres: aprendizaje por refuerzo inverso para diseñar automáticamente enjambres de robots mediante demostración. [pdf]
  • Ilyes Gharbi, Jonas Kuckling, David Garzón-Ramos, Mauro Birattari. ICRA 2023 .
• Aprendizaje por refuerzo inverso adversario consciente de opciones para control robótico. [pdf]
  • Jiayu Chen, Tian Lan, Vaneet Aggarwal. ICRA 2023 .
• SoLo T-DIRL: Planificador local dinámico con conciencia social basado en aprendizaje por refuerzo inverso profundo clasificado por trayectoria. [pdf]
  • Yifan Xu, Theodor Chakhachiro, Tribhi Kathuria, Maani Ghaffari. ICRA 2023 .
• InitLight: Generación de modelo inicial para el control de señales de tráfico mediante aprendizaje por refuerzo inverso adversario. [pdf]
  • Yutong Ye, Yingbo Zhou, Jiepin Ding, Ting Wang, Mingsong Chen, Xiang Lian. IJCAI 2023 .

7_Aprendizaje por refuerzo con modelos de lenguaje grandes

• Aprendizaje por refuerzo profundo a partir de las preferencias humanas. [pdf]
  • Paul F. Christiano, Jan Leike, Tom Brown, Miljan Martic, Shane Legg, Dario Amodei NeurIPS 2017 .
• Entrenar modelos de lenguaje para que sigan instrucciones con retroalimentación humana. [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. NeuroIPS 2022 .
• Optimización de preferencias directas: su modelo de lenguaje es secretamente un modelo de recompensa. [pdf]
  • Rafael Rafailov, Archit Sharma, Eric Mitchell, Stefano Ermon, Christopher D. Manning, Chelsea Finn. NeuroIPS 2023 .
• Orientación de la formación previa en el aprendizaje por refuerzo con modelos de lenguaje grandes. [pdf]
  • Yuqing Du, Olivia Watkins, Zihan Wang, Cédric Colas, Trevor Darrell, Pieter Abbeel, Abhishek Gupta, Jacob Andreas. ICML 2023 .
• Diseño de recompensas con modelos de lenguaje. [pdf]
  • Minae Kwon, Sang Michael Xie, Kalesha Bullard, Dorsa Sadigh. ICLR 2023 .
• Modelos de lenguaje previamente entrenados para la toma de decisiones interactiva. [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. NeuroIPS 2022 .

Citación

Si utiliza esta caja de herramientas en su investigación, cite este proyecto.

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