Papers with Code 아카이브
Reinforcement Learning (RL)
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 6
- 평가표
- 2
- 보존된 평가 기록
- 3
Reinforcement Learning (RL) involves training an agent to take actions in an environment to maximize a cumulative reward signal. The agent interacts with the environment and learns by receiving feedback in the form of rewards or punishments for its actions. The goal of reinforcement learning is to find the optimal policy or decision-making strategy that maximizes the long-term reward.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
SimToolReal: 제로샷 정밀 도구 조작을 위한 객체 중심 정책
LLM 정렬을 위한 암시적 피드백 기반 비편향 보상 모델링
장기적 로봇 작업을 위한 일반화 가능한 밀집 보상
MSPR: 목표 조건부 강화학습을 위한 다중 스케일 예측 표상
LLM 회귀를 위한 예측 분포 기반 강화학습
Guided Action Flow: 동결된 비전-언어-행동 정책을 위한 가치 유도 샘플링
대규모 언어 모델의 신뢰도 보정을 위한 강화학습 보상 함수의 효과에 관하여
VLA 강화학습을 위한 사후 경험 학습
EvoHarness-RL: 자기 진화형 에이전트를 위한 런타임 하네스 조율 학습
PertMind: 세포 섭동 데이터 기반 강화학습을 통한 대규모 언어 모델(LLM)의 창발적 생물학적 추론 유도
RIPE++: 포지티브 쌍만 활용한 강화학습 기반 특징점 학습
WeaveAgent: 초고해상도 원격 탐사 영상을 위한 2단계 도구 라우팅 에이전트
ETHER: 사후 경험 재생을 위한 창발적 의사소통 정렬
사전식 다중 목적 온-정책 증류
견고하고 역동적인 로봇 보행을 위한 저주파수 모션 제어 학습
최소 어텐션을 활용한 메타 강화학습
다목적 강화학습에서 사후 재레이블링에 따른 선호 커버리지 붕괴
안정적 할인 마르코프 결정 과정의 최적 샘플 복잡도
스트리밍 심층 강화학습이 마침내 작동하다
심층 강화학습을 위한 롤아웃 총 상관
Reinforcement Learning with Temporal-Logic-Based Causal Diagrams
Reinforcement learning for Quantum Tiq-Taq-Toe
LDC: 동적 제어를 통한 연구 아이디어 생성 학습
상각 샘플링을 위한 행동 추상화
When Can Large Reasoning Models Save Thinking? Mechanistic Analysis of Behavioral Divergence in Reasoning
GFlowNet과 변분 추론
상각 샘플러를 위한 적응형 교사
상대 인식 강화학습
암시적 확률적 재귀를 통한 시간차 학습 안정화
유계 불확실성 모델을 활용한 강화학습에서의 스마트 탐험
그렇다, Q-러닝은 오프라인 인컨텍스트 강화학습에 도움이 된다
궤적 우선 접근법: 다양한 정책 발견을 위한 커리큘럼
큐 안정성을 갖춘 강화학습에 맞춘 Lyapunov Drift-Plus-Penalty 방법
LLM 추론을 위한 강화학습에 대한 기댓값-최대화(EM) 관점
정책 그래디언트를 통한 GFlowNet 학습
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.