研究人员正在探索强化学习(RL)在各个领域的创新应用。一项研究提出使用 RL 为驾驶员动态分配激励措施,鼓励其重新规划路线,旨在减少城市出行的旅行时间和排放,模拟显示效果显著。另一篇论文则专注于灾难性风险管理的深度强化学习,开发了一种可微分的尾部风险目标函数,用于高维策略,在极端市场情景下表现良好。此外,一个名为“Ask to Learn”的新框架研究了基于查询的协作强化学习,旨在通过从协作者那里高效获取信息来克服离线 RL 中的数据限制。 AI
影响 这些研究论文探索了先进的强化学习技术,有望带来更高效的城市规划、更稳健的 AI 风险管理以及更高效的学习系统数据。
排序理由 该集群包含多篇在 arXiv 上发表的学术论文,详细介绍了强化学习应用的研究。
在 arXiv cs.MA (Multiagent) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- Collaborative reinforcement learning
- Conditional Value-at-Risk
- CORE Recommender
- DagsHub
- Extreme Value Theory
- Finland
- Gotit.pub
- Hugging Face
- Influence Flower
- Offline Reinforcement Learning
- Reinforcement Learning
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →