Korea Advanced Institute of Science and Technology（韩国科学技术院）

Flow Matching with Injected Noise for Offline-to-Online Reinforcement Learning

注入噪声的流匹配用于离线到在线强化学习

Yongjae Shin, Jongseong Chae, Jongeui Park, Youngchul Sung

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出FINO方法，通过注入噪声的流匹配提升离线到在线强化学习的样本效率，结合熵引导采样平衡探索与利用，实现更高效的策略优化。

Comments ICLR 2026 camera-ready

Flow Actor-Critic for Offline Reinforcement Learning

流Actor-Critic用于离线强化学习

Jongseong Chae, Jongeui Park, Yongjae Shin, Gyeongmin Kim, Seungyul Han, Youngchul Sung

机构 * KAIST（韩国科学技术院） ； UNIST（全南大学） 纠错

AI总结 本文提出流Actor-Critic方法，通过结合流模型提升离线强化学习中策略的表达能力，以应对复杂多模式数据分布，实现新的性能突破。

Comments Accepted to ICLR 2026

Uncertainty Estimation by Flexible Evidential Deep Learning

通过灵活可信深度学习进行不确定性估计

Taeseong Yoon, Heeyoung Kim

机构 * Department of Industrial and Systems Engineering, KAIST（工业与系统工程系，韩国科学技术院） 纠错

AI总结 本文提出灵活可信深度学习（F-EDL），通过预测灵活的Dirichlet分布来提升不确定性量化在复杂和挑战性场景中的性能。

Comments NeurIPS 2025

ChoiceMates: Supporting Unfamiliar Online Decision-Making with Multi-Agent Conversational Interactions

ChoiceMates: 通过多智能体对话交互支持陌生在线决策

Jeongeon Park, Bryan Min, Kihoon Son, Jean Y. Song, Xiaojuan Ma, Juho Kim

机构 * University of California, San Diego（加州大学圣迭戈分校） ； School of Computing, KAIST（韩国科学技术院计算机学院） ； Information and Interaction Design, Yonsei University（延世大学信息与交互设计） ； Hong Kong University of Science（香港科学大学） 纠错

AI总结 ChoiceMates通过多智能体对话交互帮助用户更高效地进行陌生在线决策。

Comments Accepted to IUI 2026