Zobrazeno 1 - 9
of 9
pro vyhledávání: '"Thomas, Deepak George"'
Autor:
Thomas, Deepak-George, Biagiola, Matteo, Humbatova, Nargiz, Wardat, Mohammad, Jahangirova, Gunel, Rajan, Hridesh, Tonella, Paolo
Reinforcement Learning (RL) is increasingly adopted to train agents that can deal with complex sequential tasks, such as driving an autonomous vehicle or controlling a humanoid robot. Correspondingly, novel approaches are needed to ensure that RL age
Externí odkaz:
http://arxiv.org/abs/2408.15150
Deep neural networks (DNNs) are susceptible to bugs, just like other types of software systems. A significant uptick in using DNN, and its applications in wide-ranging areas, including safety-critical systems, warrant extensive research on software e
Externí odkaz:
http://arxiv.org/abs/2309.05067
The function approximators employed by traditional image-based Deep Reinforcement Learning (DRL) algorithms usually lack a temporal learning component and instead focus on learning the spatial component. We propose a technique, Temporal Shift Reinfor
Externí odkaz:
http://arxiv.org/abs/2109.02145
Autor:
Thomas, Deepak-George, Olshanskyi, Daniil, Krueger, Karter, Wongpiromsarn, Tichakorn, Jannesari, Ali
The significant components of any successful autonomous flight system are task completion and collision avoidance. Most deep learning algorithms successfully execute these aspects under the environment and conditions they are trained. However, they f
Externí odkaz:
http://arxiv.org/abs/2105.12254
Revenue management can enable airline corporations to maximize the revenue generated from each scheduled flight departing in their transportation network by means of finding the optimal policies for differential pricing, seat inventory control and ov
Externí odkaz:
http://arxiv.org/abs/1902.06824
Publikováno v:
Proceedings of the 2nd European Workshop on Machine Learning and Systems.
The function approximators employed by traditional image-based Deep Reinforcement Learning (DRL) algorithms usually lack a temporal learning component and instead focus on learning the spatial component. We propose a technique, Temporal Shift Reinfor
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::e75411637e3bc48466c487cdfcb2e170
https://doi.org/10.1145/3517207.3526968
https://doi.org/10.1145/3517207.3526968
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.