Entropy regularized reinforcement learning using large deviation theory
Entropy regularized reinforcement learning using large deviation theory
复制标题
使用大偏差理论的熵正则化强化学习
DOI：
10.1103/physrevresearch.5.023085
复制
发表时间：
2023
影响因子：
4.2
通讯作者：
Kulkarni, Rahul V.
中科院分区：
文献类型：
--
作者：
Arriojas, Argenis;Adamczyk, Jacob;Tiomkin, Stas;Kulkarni, Rahul V.
登录
查看更多内容
基于物理的图神经网络增强了变分非平衡最优控制的可扩展性。
影响因子：
4.4
作者：
Jiawei Yan;Grant M. Rotskoff
通讯作者：
Grant M. Rotskoff
DOI：
10.1088/1742-5468/2016/09/093305
发表时间：
2016
期刊：
Journal of Statistical Mechanics: Theory and Experiment
影响因子：
--
作者：
R. Jack;R. Evans
通讯作者：
R. Evans
影响因子：
8.6
作者：
R. Evans
通讯作者：
R. Evans
条件和驱动过程的变分和最优控制表示
DOI：
10.1088/1742-5468/2015/12/p12001
发表时间：
2015
期刊：
Journal of Statistical Mechanics: Theory and Experiment
影响因子：
--
作者：
R. Chetrite;H. Touchette
通讯作者：
H. Touchette
具有多规范反馈控制的群体动力学方法。
DOI：
10.1103/physreve.93.062123
发表时间：
2016
期刊：
Physical review. E
影响因子：
--
作者：
T. Nemoto;F. Bouchet;R. Jack;V. Lecomte
通讯作者：
V. Lecomte