Reinforcement Learning Papers

Bienvenue sur notre référentiel GitHub ! Ce référentiel est dédié à la conservation d'articles de recherche importants dans le domaine de l'apprentissage par renforcement (RL) qui ont été acceptés lors de conférences universitaires de premier plan telles que AAAI , IJCAI , NeurIPS , ICML , ICLR , ICRA , AAMAS et plus encore. Nous mettons à votre disposition un centre de ressources pratique pour vous aider à rester informé des derniers développements en matière d'apprentissage par renforcement, à vous plonger dans les tendances de la recherche et à explorer des algorithmes et des méthodes de pointe.

Nouvelles

• 12/11/2023 : j'ai ajouté le référentiel associé.
• 2023/8/19 : J'ai ajouté les articles acceptés à AAMAS'23, IJCAI'23, ICRA'23, ICML'23,ICLR'23, AAAI'23, NeurIPS'22 etc.
• 06/01/2023 : J'ai créé le référentiel.

Contribuer

Format de démarque :

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

S'il vous plaît, aidez-moi à contribuer à cette liste en me contactant ou en ajoutant une pull request.

Pour toute question, n'hésitez pas à me contacter ?.

Table des matières

• 1_Apprentissage par renforcement multi-agents (MARL)
• 2_Méta-apprentissage par renforcement (Meta RL)
• 3_Apprentissage par renforcement hiérarchique (HRL)
• 4_Apprentissage par renforcement multi-tâches (RL multi-tâches)
• 5_Apprentissage par renforcement hors ligne (RL hors ligne)
• 6_Apprentissage par renforcement inverse (IRL)
• 7_Apprentissage par renforcement avec de grands modèles de langage

1_Apprentissage par renforcement multi-agents

• Réglage en ligne pour l'apprentissage par renforcement multi-agent décentralisé hors ligne. [pdf]

  • Jiechuan Jiang, Zongqing Lu. AAAI 2023 .

• Récompensez les attaques d’empoisonnement grâce à l’apprentissage par renforcement multi-agents hors ligne. [pdf]

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

• Modèles en tant qu'agents : optimisation des prédictions en plusieurs étapes de modèles locaux interactifs dans l'apprentissage par renforcement multi-agents basé sur des modèles. [pdf]

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

• DeCOM : Politique décomposée pour l'apprentissage par renforcement coopératif multi-agent contraint. [pdf]

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

• Apprentissage par méta-renforcement multi-agents quantiques. [pdf]

  • A remporté Joon Yun, Jihong Park, Joongheon Kim. AAAI 2023 .

• Apprentissage de l'attribution explicite de crédits pour l'apprentissage coopératif par renforcement multi-agents via un gradient de politique de polarisation. [pdf]

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

• Apprendre de bonnes trajectoires dans l’apprentissage par renforcement multi-agents hors ligne. [pdf]

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

• DM² : Apprentissage par renforcement multi-agent décentralisé via l'appariement de distribution. [pdf]

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

• Apprentissage par consensus pour l'apprentissage coopératif par renforcement multi-agents. [pdf]

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

• HAVEN : Apprentissage coopératif hiérarchique par renforcement multi-agents avec mécanisme de double coordination. [pdf]

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

• DACOM : Communication sensible aux délais d'apprentissage pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Lissage certifié des politiques pour l’apprentissage coopératif par renforcement multi-agents. [pdf]

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

• Améliorer la mobilité intelligente et durable grâce à la théorie des jeux et à l'apprentissage par renforcement multi-agents avec des applications de covoiturage. [pdf]

  • Lucie Cipolina-Kun. AAAI 2023 .

• Aborder l'apprentissage par renforcement multi-agents sûr et efficace via le blindage dynamique (résumé étudiant). [pdf]

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

• Apprentissage par renforcement multi-agents pour le raffinement adaptatif du maillage. [pdf]

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

• Taux d'apprentissage adaptatif pour l'apprentissage par renforcement multi-agents. [pdf]

  • Jiechuan Jiang, Zongqing Lu. AAMAS 2023 .

• Décomposition adaptative de la valeur avec calcul de contribution marginale gourmande pour l'apprentissage coopératif par renforcement multi-agents. [pdf]

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

• Une approche variationnelle de la coordination mutuelle basée sur l'information pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Apprentissage par renforcement multi-agents médié. [pdf]

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

• EXPODE : EXploiter les écarts de politique pour une exploration efficace dans l'apprentissage par renforcement multi-agents. [pdf]

  • Yucong Zhang, Chao Yu. AAMAS 2023 .

• AC2C : communication à deux sauts contrôlée de manière adaptative pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Apprentissage de la communication structurée pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Communication clairsemée basée sur un modèle dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Apprentissage coopératif séquentiel par renforcement multi-agents. [pdf]

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

• Apprentissage par renforcement multi-agents asynchrone pour une exploration coopérative multi-robots en temps réel efficace. [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 .

• Apprendre de plusieurs conseillers indépendants en apprentissage par renforcement multi-agents. [pdf]

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

• CraftEnv : un environnement de construction robotique collective flexible pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Apprentissage par renforcement multi-agents avec couche de sécurité pour le contrôle actif de la tension. [pdf]

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

• Blindage dynamique basé sur un modèle pour un apprentissage par renforcement multi-agents sûr et efficace. [pdf]

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

• Vers une exploration optimiste basée sur les risques pour un apprentissage coopératif par renforcement multi-agents. [pdf]

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

• Affinement des politiques guidé par contre-exemple dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Exploration de tâches prioritaires pour l'apprentissage par renforcement coopératif multi-agents multi-tâches. [pdf]

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

• TransfQMix : transformateurs pour exploiter la structure graphique des problèmes d'apprentissage par renforcement multi-agents. [pdf]

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

• Partage de paramètres avec élagage du réseau pour un apprentissage par renforcement approfondi multi-agents évolutif. [pdf]

  • Woojun Kim, Youngchul Sung. AAMAS 2023 .

• Vers l'explication des séquences d'actions dans les modèles d'apprentissage par renforcement profond multi-agents. [pdf]

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

• Apprentissage par renforcement approfondi multi-agents pour la création de marchés multi-marchés à haute fréquence. [pdf]

  • Pankaj Kumar. AAMAS 2023 .

• Apprentissage des récompenses de différence individuelle dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Apprentissage par renforcement multi-agents décalé. [pdf]

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

• Le partage sélectif d'expériences améliore l'apprentissage par renforcement multi-agents. [pdf]

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

• MARL hors réseau : ensembles de données et lignes de base pour l'apprentissage par renforcement multi-agents hors ligne. [pdf]

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

• Attaque contradictoire en boîte grise contre la communication dans l'apprentissage par renforcement multi-agents. [pdf]

  • Xiao Ma, Wu-Jun Li. AAMAS 2023 .

• Apprentissage par renforcement multi-agents pour une réponse rapide à la demande des charges résidentielles. [pdf]

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

• Apprendre à s'auto-reconfigurer pour les robots modulaires de forme libre via l'apprentissage par renforcement multi-agents altruiste. [pdf]

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

• Recherche de chemin multi-agents via l'apprentissage par renforcement avec récompense hybride. [pdf]

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

• Solutions d'apprentissage dans les grands réseaux économiques utilisant l'apprentissage par renforcement multi-agent approfondi. [pdf]

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

• Apprentissage par renforcement multi-agents hors ligne avec factorisation de valeur couplée. [pdf]

  • Xiangsen Wang, Xianyuan Zhan. AAMAS 2023 .

• Détection de causalité pour un apprentissage par renforcement multi-agent efficace. [pdf]

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

• Récurrence basée sur l'attention pour l'apprentissage par renforcement multi-agents dans des conditions d'incertitude d'état. [pdf]

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

• Conception équitable de réseaux de transport utilisant l’apprentissage par renforcement multi-agents. [pdf]

  • Dimitris Michailidis. AAMAS 2023 .

• Apprentissage par renforcement dans les systèmes multi-objectifs multi-agents. [pdf]

  • Willem Röpke. AAMAS 2023 .

• Améliorer la mobilité intelligente et durable grâce à la théorie des jeux et à l'apprentissage par renforcement multi-agents. [pdf]

  • Lucie Cipolina-Kun. AAMAS 2023 .

• Facilitateur actif avec état : coordination et hétérogénéité environnementale dans l'apprentissage coopératif par renforcement multi-agents. [pdf]

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

• MACTA : une approche d'apprentissage par renforcement multi-agents pour les attaques et la détection par synchronisation du cache. [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 : Conception d'environnement ouvert pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Lois de mise à l'échelle pour un modèle d'apprentissage par renforcement multi-agents. [pdf]

  • Oren Neumann, Claudius Gros. ICLR 2023 .

• RPM : Politiques multi-agents généralisables pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Découverte et utilisation de conversations bon marché dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Questions de commande : optimisation des politiques agent par agent. [pdf]

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

• Méthodes acteur-critique du réseau bayésien contextuel pour l'apprentissage coopératif par renforcement multi-agents. [pdf]

  • Dingyang Chen, Qi Zhang. CIML 2023 .

• Diviseur d'entité avec base linguistique dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Oracles et suiveurs : équilibres de Stackelberg dans l'apprentissage par renforcement multi-agents approfondi. [pdf]

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

• Un cadre adaptatif de régularisation d'entropie pour l'apprentissage par renforcement multi-agents. [pdf]

  • Woojun Kim, Youngchul Sung. CIML 2023 .

• RACE : Améliorez l'apprentissage par renforcement multi-agents avec l'asymétrie de représentation et l'évolution collaborative. [pdf]

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

• Agents paresseux : une nouvelle perspective sur la résolution du problème de récompense clairsemée dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Apprentissage coopératif par renforcement multi-agents : communication asynchrone et approximation des fonctions linéaires. [pdf]

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

• Apprentissage par renforcement multi-agents évolutif grâce à l'agrégation intelligente d'informations. [pdf]

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

• Récurrence basée sur l'attention pour l'apprentissage par renforcement multi-agents sous observabilité partielle stochastique. [pdf]

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

• Attention complémentaire pour l'apprentissage par renforcement multi-agents. [pdf]

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

• L'optimisation locale permet d'atteindre l'optimalité globale dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Poursuite multi-cibles par un essaim de drones hétérogènes décentralisés utilisant un apprentissage par renforcement multi-agents approfondi. [pdf]

  • Maryam Kouzeghar, Youngbin Song, Malika Meghjani, Roland Bouffanais. ICRA2023 .

• Conseil d'action explicable pour l'apprentissage par renforcement multi-agents. [pdf]

  • Yue Guo, Joseph Campbell, Simon Stepputtis, Ruiyu Li, Dana Hughes, Fei Fang, Katia P. Sycara. ICRA2023 .

• Apprentissage par renforcement multi-agents sécurisé, spatial et temporel, des véhicules autonomes connectés dans des scénarios difficiles. [pdf]

  • Zhili Zhang, Songyang Han, Jiangwei Wang, Fei Miao. ICRA2023 .

• Méthode d'apprentissage par renforcement multi-agents contraints par les conflits pour la planification des trajectoires de stationnement. [pdf]

  • Siyuan Chen, Meiling Wang, Yi Yang, Wenjie Song. ICRA2023 .

• Apprentissage par renforcement multi-agent explicable pour les requêtes temporelles. [pdf]

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

• Communication évolutive pour l'apprentissage par renforcement multi-agents via un mécanisme de messagerie basé sur un transformateur. [pdf]

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

• Apprendre à envoyer des renforts : coordonner la répartition et la reprogrammation de patrouilles de police dynamiques multi-agents via l'apprentissage par renforcement. [pdf]

  • Waldy Joe, Hoong Chuin Lau. IJCAI 2023 .

• Détection décentralisée des anomalies dans l'apprentissage coopératif par renforcement multi-agents. [pdf]

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

• GPLight : Apprentissage par renforcement multi-agents groupé pour le contrôle des feux de circulation à grande échelle. [pdf]

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

• Graphique de communication hiérarchique profond dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Modélisation des choix moraux dans les dilemmes sociaux avec l'apprentissage par renforcement multi-agents. [pdf]

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

• Induire l'équilibre de Stackelberg grâce à la prise de décision séquentielle spatio-temporelle dans l'apprentissage par renforcement multi-agents. [pdf]

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

• Segmentation neuronale auto-supervisée avec apprentissage par renforcement multi-agents. [pdf]

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

• MA2CL : Apprentissage contrastif attentif masqué pour l'apprentissage par renforcement multi-agents. [pdf]

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

• Apprentissage par renforcement multi-agents compétitif-coopératif pour l'apprentissage fédéré basé sur les enchères. [pdf]

  • Xiaoli Tang, Han Yu. IJCAI 2023 .

• DPMAC : Communication différentiellement privée pour l’apprentissage coopératif par renforcement multi-agents. [pdf]

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

2_Apprentissage par méta-renforcement

• Apprentissage par méta-renforcement basé sur l'apprentissage auto-supervisé par représentation de tâches. [pdf]
  • Mingyang Wang, Zhenshan Bing, Xiangtong Yao, Shuai Wang, Kai Huang, Hang Su, Chenguang Yang, Alois Knoll. AAAI 2023 .
• Apprentissage par méta-renforcement multi-agents quantiques. [pdf]
  • A remporté Joon Yun, Jihong Park, Joongheon Kim. AAAI 2023 .
• Un cadre CMDP en ligne pour l'apprentissage par renforcement Meta-Safe. [pdf]
  • Vanshaj Khattar, Yuhao Ding, Bilgehan Sel, Javad Lavaei, Ming Jin. ICLR 2023 .
• Apprentissage par renforcement des méta-gradients distributionnels. [pdf]
  • Haiyan Yin, Shuicheng Yan, Zhongwen Xu. ICLR 2023 .
• Apprentissage simple des langues incarnées en tant que sous-produit de l'apprentissage par méta-renforcement. [pdf]
  • Evan Zheran Liu, Sahaana Suri, Tong Mu, Allan Zhou, Chelsea Finn. CIML 2023 .
• Apprentissage par méta-renforcement hors ligne avec adaptation en ligne en distribution. [pdf]
  • Jianhao Wang, Jin Zhang, Haozhe Jiang, Junyu Zhang, Liwei Wang, Chongjie Zhang. CIML 2023 .
• Apprentissage par méta-renforcement via des instructions linguistiques. [pdf]
  • Zhenshan Bing, Alexander W. Koch, Xiangtong Yao, Kai Huang, Alois Knoll. ICRA2023 .
• Transfert de politique Zero-Shot avec représentation des tâches démêlées de l'apprentissage par méta-renforcement. [pdf]
  • Zheng Wu, Yichen Xie, Wenzhao Lian, Changhao Wang, Yanjiang Guo, Jianyu Chen, Stefan Schaal, Masayoshi Tomizuka. ICRA2023 .

3_Apprentissage par renforcement hiérarchique

• HAVEN : Apprentissage coopératif hiérarchique par renforcement multi-agents avec mécanisme de double coordination. [pdf]
  • Zhiwei Xu, Yunpeng Bai, Bin Zhang, Dapeng Li, Guoliang Fan. AAAI 2023 .
• Apprentissage hiérarchique par renforcement profond en champ moyen pour les systèmes multiagents à grande échelle. [pdf]
  • Chao Yu. AAAI 2023 .
• Apprentissage par renforcement hiérarchique avec optimisation des sous-objectifs collaboratifs homme-IA. [pdf]
  • Haozhe Ma, Thanh Vinh Vo, Tze-Yun Leong. AAMAS 2023 .
• Apprentissage par renforcement hiérarchique pour les équipes ad hoc. [pdf]
  • Stéphane Aroca-Ouellette, Miguel Aroca-Ouellette, Upasana Biswas, Katharina Kann, Alessandro Roncone. AAMAS 2023 .
• Faire correspondre les options aux tâches à l'aide de l'apprentissage par renforcement hiérarchique indexé par options. [pdf]
  • Kushal Chauhan, Soumya Chatterjee, Akash Reddy, Aniruddha S, Balaraman Ravindran, Pradeep Shenoy. AAMAS 2023 .
• Apprentissage par renforcement hiérarchique avec récompense d'attention. [pdf]
  • Sihong Luo, Jinghao Chen, Zheng Hu, Chunhong Zhang, Benhui Zhuang. AAMAS 2023 .
• Apprentissage par renforcement programmatique hiérarchique via l'apprentissage de la composition de programmes. [pdf]
  • Guan-Ting Liu, En-Pei Hu, Pu-Jen Cheng, Hung-Yi Lee, Shao-Hua Sun. CIML 2023 .
• Déploiement adaptatif et explicable des compétences de navigation via un apprentissage hiérarchique par renforcement profond. [pdf]
  • Kyowoon Lee, Seongun Kim, Jaesik Choi. ICRA2023 .

4_Apprentissage par renforcement multitâche

• PiCor : apprentissage multitâche par renforcement profond avec correction des politiques. [pdf]
  • Fengshuo Bai, Hongming Zhang, Tianyang Tao, Zhiheng Wu, Yanna Wang, Bo Xu. AAAI 2023 .
• Exploration de tâches prioritaires pour l'apprentissage par renforcement coopératif multi-agents multi-tâches. [pdf]
  • Yang Yu, Qiyue Yin, Junge Zhang, Kaiqi Huang. AAMAS 2023 .
• Enquête sur la pré-formation multitâche et la généralisation de l'apprentissage par renforcement. [pdf]
  • Adrien Ali Taïga, Rishabh Agarwal, Jesse Farebrother, Aaron C. Courville, Marc G. Bellemare. ICLR 2023 .
• Pratique autonome démarrée par démonstration via un apprentissage par renforcement multitâche. [pdf]
  • Abhishek Gupta, Corey Lynch, Brandon Kinman, Garrett Peake, Sergey Levine, Karol Hausman. ICRA2023 .

5_Apprentissage par renforcement hors ligne

• Apprentissage par renforcement quantique hors ligne de manière conservatrice. [pdf]
  • Zhihao Cheng, Kaining Zhang, Li Shen, Dacheng Tao. Conférence AAAI sur l'intelligence artificielle (AAAI 2023).
• Sur la complexité des échantillons de l'apprentissage par renforcement hors ligne basé sur un modèle Vanilla avec des échantillons dépendants. [pdf]
  • Mustafa O. Karabag, Ufuk Topcu. Conférence AAAI sur l'intelligence artificielle (AAAI 2023).

6_Apprentissage par renforcement inverse

• Spécification erronée dans l'apprentissage par renforcement inverse. [pdf]
  • Joar Skalse, Alessandro Abate. AAAI 2023 .
• Apprentissage par renforcement inverse multiagent via la théorie du raisonnement mental. [pdf]
  • Haochen Wu, Pedro Sequeira, David V. Pynadath. AAMAS 2023 .
• Apprentissage contradictoire par renforcement inverse pour les jeux en champ moyen. [pdf]
  • Yang Chen, Libo Zhang, Jiamou Liu, Michael Witbrock. AAMAS 2023 .
• Apprentissage par renforcement inverse non markovien basé sur LTL. [pdf]
  • Mohammad Afzal, Sankalp Gambhir, Ashutosh Gupta, S. Krishna, Ashutosh Trivedi, Alvaro Velasquez. AAMAS 2023 .
• LS-IQ : régularisation implicite des récompenses pour l'apprentissage par renforcement inverse. [pdf]
  • Firas Al-Hafez, Davide Tateo, Oleg Arenz, Guoping Zhao, Jan Peters. ICLR 2023 .
• Apprentissage par imitation causale via l'apprentissage par renforcement inverse. [pdf]
  • Kangrui Ruan, Junzhe Zhang, Xuan Di, Elias Bareinboim. ICLR 2023 .
• Analyse comparative de l'inférence de contraintes dans l'apprentissage par renforcement inverse. [pdf]
  • Guiliang Liu, Yudong Luo, Ashish Gaurav, Kasra Rezaee, Pascal Poupart. ICLR 2023 .
• CLARE : Apprentissage de récompense basé sur un modèle conservateur pour l'apprentissage par renforcement inverse hors ligne. [pdf]
  • Sheng Yue, Guanbo Wang, Wei Shao, Zhaofeng Zhang, Sen Lin, Ju Ren, Junshan Zhang. ICLR 2023 .
• Apprentissage par renforcement inverse hiérarchique multitâche. [pdf]
  • Jiayu Chen, Dipesh Tamboli, Tian Lan, Vaneet Aggarwal. CIML 2023 .
• Vers une compréhension théorique de l'apprentissage par renforcement inverse. [pdf]
  • Alberto Maria Metelli, Filippo Lazzati, Marcello Restelli. CIML 2023 .
• Identifiabilité et généralisabilité dans l'apprentissage par renforcement inverse contraint. [pdf]
  • Andreas Schlaginhaufen, Maryam Kamgarpour. CIML 2023 .
• Apprentissage par renforcement inverse sans apprentissage par renforcement. [pdf]
  • Gokul Swamy, David Wu, Sanjiban Choudhury, Drew Bagnell, Zhiwei Steven Wu. CIML 2023 .
• Cadre d'apprentissage par renforcement inverse pour le transfert des politiques de séquençage des tâches des humains aux robots dans les applications de fabrication. [pdf]
  • Omey M. Manyar, Zachary McNulty, Stefanos Nikolaidis, Satyandra K. Gupta. ICRA2023 .
• Apprentissage de cartes de coûts tenant compte des risques via l'apprentissage par renforcement inverse pour la navigation hors route. [pdf]
  • Samuel Triest, Mateo Guaman Castro, Parv Maheshwari, Matthew Sivaprakasam, Wenshan Wang, Sebastian A. Scherer. ICRA2023 .
• DriveIRL : Conduisez dans la vraie vie avec l'apprentissage par renforcement inverse. [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. ICRA2023 .
• Montrez-moi ce que vous voulez : apprentissage par renforcement inverse pour concevoir automatiquement des essaims de robots par démonstration. [pdf]
  • Ilyes Gharbi, Jonas Kuckling, David Garzón-Ramos, Mauro Birattari. ICRA2023 .
• Apprentissage par renforcement inverse contradictoire prenant en compte les options pour le contrôle robotique. [pdf]
  • Jiayu Chen, Tian Lan, Vaneet Aggarwal. ICRA2023 .
• SoLo T-DIRL : planificateur local dynamique socialement conscient basé sur l'apprentissage par renforcement inverse profond classé par trajectoire. [pdf]
  • Yifan Xu, Theodor Chakhachiro, Tribhi Kathuria, Maani Ghaffari. ICRA2023 .
• InitLight : génération de modèle initial pour le contrôle des feux de circulation à l'aide de l'apprentissage par renforcement inverse contradictoire. [pdf]
  • Yutong Ye, Yingbo Zhou, Jiepin Ding, Ting Wang, Mingsong Chen, Xiang Lian. IJCAI 2023 .

7_Apprentissage par renforcement avec de grands modèles de langage

• Apprentissage par renforcement profond à partir des préférences humaines. [pdf]
  • Paul F. Christiano, Jan Leike, Tom Brown, Miljan Martic, Shane Legg, Dario Amodei NeurIPS 2017 .
• Modèles de langage de formation pour suivre les instructions avec des commentaires humains. [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 .
• Optimisation directe des préférences : votre modèle linguistique est secrètement un modèle de récompense. [pdf]
  • Rafael Rafailov, Archit Sharma, Eric Mitchell, Stefano Ermon, Christopher D. Manning, Chelsea Finn. NeurIPS 2023 .
• Guider la pré-formation en apprentissage par renforcement avec de grands modèles de langage. [pdf]
  • Yuqing Du, Olivia Watkins, Zihan Wang, Cédric Colas, Trevor Darrell, Pieter Abbeel, Abhishek Gupta, Jacob Andreas. CIML 2023 .
• Récompensez la conception avec des modèles de langage. [pdf]
  • Minae Kwon, Sang Michael Xie, Kalesha Bullard, Dorsa Sadigh. ICLR 2023 .
• Modèles linguistiques pré-entraînés pour la prise de décision interactive. [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 .

Citation

Si vous utilisez cette boîte à outils dans vos recherches, veuillez citer ce projet.

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