会员服务
SLiC-HF: Sequence Likelihood Calibration with Human Feedback
Arxiv
0+阅读 · 5月17日
The Sufficiency of Off-policyness and Soft Clipping: PPO is insufficient according to an Off-policy Measure
Arxiv
0+阅读 · 2022年8月9日
The Sufficiency of Off-policyness and Soft Clipping: PPO is insufficient according to an Off-policy Measure
Arxiv
0+阅读 · 2022年8月8日
Neural Network Compatible Off-Policy Natural Actor-Critic Algorithm
Neural Network Compatible Off-Policy Natural Actor-Critic Algorithm
Arxiv
0+阅读 · 2022年5月2日
MA-Dreamer: Coordination and communication through shared imagination
Arxiv
0+阅读 · 2022年4月10日
Selective Credit Assignment
Arxiv
0+阅读 · 2022年2月20日
Chaining Value Functions for Off-Policy Learning
Arxiv
0+阅读 · 2022年2月2日
Chaining Value Functions for Off-Policy Learning
Arxiv
0+阅读 · 2022年1月17日
Flexible Option Learning
Arxiv
0+阅读 · 2021年12月6日
Neural Network Compatible Off-Policy Natural Actor-Critic Algorithm
Arxiv
0+阅读 · 2021年10月19日
Divergence-Regularized Multi-Agent Actor-Critic
Arxiv
1+阅读 · 2021年10月1日
PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training
Arxiv
0+阅读 · 2021年6月9日
Parameter-free Gradient Temporal Difference Learning
Arxiv
0+阅读 · 2021年5月10日
Lucid Dreaming for Experience Replay: Refreshing Past States with the Current Policy
Arxiv
0+阅读 · 2021年4月3日
Correcting Experience Replay for Multi-Agent Communication
Arxiv
0+阅读 · 2021年2月28日
参考链接
微信扫码咨询专知VIP会员
Top