会员服务
Is the Policy Gradient a Gradient?
Arxiv
0+阅读 · 10月16日
Q($γ_H$): Entropy-Guided Horizon Mixing in Multi-Discount Q-Learning
Arxiv
0+阅读 · 10月15日
Policy Iteration Is Not Strongly Polynomial for Deterministic Markov Decision Processes: The Price of Algorithmic Anarchy
Arxiv
0+阅读 · 9月30日
Independent Reinforcement Learning in Discounted Markov Games
Arxiv
0+阅读 · 9月1日
Does the grand coalition form? Persistence, arrival, and the role of the sharing rule in a dynamic process of nested binding agreements
Arxiv
0+阅读 · 8月18日
Does the grand coalition form? Persistence, arrival, and the role of the sharing rule in a dynamic process of nested binding agreements
Arxiv
0+阅读 · 8月23日
Learning is Revelation in Disguise: Optimal Regret and Equivalence Results for Dynamic Pricing
Arxiv
0+阅读 · 6月7日
Central Limit Theorems for Asynchronous Averaged Q-Learning
Arxiv
0+阅读 · 2025年10月14日
Remember, but also, Forget: Bridging Myopic and Perfect Recall Fairness with Past-Discounting
Remember, but also, Forget: Bridging Myopic and Perfect Recall Fairness with Past-Discounting
Arxiv
0+阅读 · 2025年4月1日
Discounted-Sum Automata with Multiple Discount Factors
Arxiv
0+阅读 · 2025年3月28日
Scheduling With Time Discounts
Arxiv
0+阅读 · 2025年2月19日
Discounted-Sum Automata with Multiple Discount Factors
Arxiv
0+阅读 · 2025年1月2日
Discounted-Sum Automata with Multiple Discount Factors
Arxiv
0+阅读 · 2025年1月11日
Accelerating Proximal Policy Optimization Learning Using Task Prediction for Solving Environments with Delayed Rewards
Arxiv
0+阅读 · 2024年12月3日
Reward Centering
Arxiv
0+阅读 · 2024年10月30日
参考链接
微信扫码咨询专知VIP会员
Top