Marcel Hussing, Claas A. Voelcker, Igor Gilitschenski, Amir-Massoud Farahmand
et Eric Eaton
Communication écrite (2024)
Un lien externe est disponible pour ce document
| Département: | Département de génie informatique et génie logiciel |
|---|---|
| URL de PolyPublie: | https://publications.polymtl.ca/63160/ |
| Nom de la conférence: | Reinforcement Learning Conference (RLC 2024) |
| Lieu de la conférence: | Amherst, Massachusetts, USA |
| Date(s) de la conférence: | 2024-08-09 - 2024-08-12 |
| URL officielle: | https://openreview.net/forum?id=ofwv9VYp3h |
| Date du dépôt: | 03 mars 2025 18:46 |
| Dernière modification: | 03 mars 2025 18:57 |
| Citer en APA 7: | Hussing, M., Voelcker, C. A., Gilitschenski, I., Farahmand, A.-M., & Eaton, E. (août 2024). Dissecting Deep RL with high update ratios : combatting value divergence [Communication écrite]. Reinforcement Learning Conference (RLC 2024), Amherst, Massachusetts, USA (24 pages). https://openreview.net/forum?id=ofwv9VYp3h |
|---|---|
Statistiques
Aucune statistique n'est disponible.
Actions réservées au personnel
|
Afficher document |
