混沌系统对小错误本质上是敏感的，这具有挑战性的努力，以构建现实世界动态系统（例如流体流或神经元活动）的预测数据驱动模型。先前的努力包括在单个时间序列上单独培训的专业模型，或者在庞大的时间序列数据库中培训的基础模型很少有基本的动态结构。在动力学系统理论的启发下，我们提出了熊猫，对非线性动力学进行了修补 ...
近年来，大型语言模型（LLMS）在各种任务中表现出很大的能力，包括问答，算术问题解决问题和诗歌写作等。尽管对LLM-As-An-Agent的研究表明，LLM可以应用于增强学习（RL）并获得不错的结果，但基于LLM的RL向多代理系统（MAS）延伸并不是很琐碎的，因为在单个剂量的RL框架中未考虑许多方面，例如，诸如代理之间的协调和通信。为了激发有关基于LLM的MARL的更多研究，我们在这封信中调查了现 ...
推荐系统 (RS) 通过提供个性化的项目建议，在增强用户体验方面发挥着不可或缺的作用。本次调查全面回顾了2017年至2024年RS的进展，有效地将理论进展与实际应用联系起来。我们探索从基于内容和协同过滤等传统 RS 技术到涉及深度学习、基于图的模型、强化学习和大型语言模型的高级方法的发展 ...
强化学习（RL）算法遭受了对精确工程奖励功能的依赖，以正确地指导学习代理人执行所需的任务。基于偏好的强化学习（PBRL）通过利用人类的偏好作为专家的反馈而不是数字奖励来解决。由于其比传统RL具有希望的优势，PBRL近年来获得了更多的重点，并取得了许多重大进展 ...
基础模型（FMS），大型深度学习模型在广泛的未标记数据集上进行了预训练，在理解复杂模式和产生复杂的输出方面具有强大的功能。但是，他们经常难以适应特定的任务。加强学习（RL）允许代理通过互动和反馈来学习，它提供了令人信服的解决方案 ...
在过去的几年中，深厚的加强学习导致了人工智能领域的巨大突破。随着推出经验数据的数量和用于深度强化学习的神经网络的大小，处理训练过程并使用平行和分布式计算降低时间消耗正成为紧迫而必不可少的愿望。在本文中，我们对基于平行和分布式计算的深度强化学习进行了广泛而彻底的调查，以最先进的方法和最先进的方法和指针为核心参考提供了一项全面的调查 ...
深入的强化学习（DRL）在跨不同领域的序列决策任务中取得了巨大的成功，但其对黑盒神经体系结构的依赖阻碍了高风险应用程序中的可解释性，信任和部署。可解释的深入强化学习（XRL）通过通过特征级别，州级，数据集级别和模型级解释技术来提高透明度来解决这些挑战。这项调查提供了对XRL方法的全面审查，评估了其定性和定量评估框架，并探讨了它们在政策改进，对抗性鲁棒性和安全性中的作用 ...
强化学习（RL）已成为自动化中优化挑战的关键工具，从而在多个领域取得了重大进步。这篇评论文章探讨了自动化中RL的当前景观，特别关注其在制造，能源系统和机器人技术中的作用。它讨论了最新的方法，主要挑战和即将到来的每个部门的研究途径，强调了RL解决复杂的优化挑战的能力 ...
