ICML

Hypothesis Testing for Generalized Thurstone Models

对广义图斯通模型的假设检验

Anuran Makur, Japneet Singh

机构 * Department of Computer Science, Purdue University, West Lafayette, IN, USA（计算机科学系，普渡大学，西拉法叶，印第安纳州，美国） ； Elmore Family School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA（埃尔莫尔家族电气与计算机工程学院，普渡大学，西拉法叶，印第安纳州，美国） 纠错

AI总结 本文提出了一种针对广义图斯通模型的假设检验方法，通过分离距离分析和反向鞅技术，推导了临界阈值并验证了最小最大下界。

Comments 35 pages, 9 figures

Journal ref 42nd International Conference on Machine Learning (ICML 2025)

Zero-Shot Instruction Following in RL via Structured LTL Representations

通过结构化LTL表示实现强化学习中的零样本指令跟随

Mattia Giuri, Mathias Jackermeier, Alessandro Abate

机构 * University of Oxford（牛津大学） 纠错

AI总结 本文提出通过结构化LTL表示学习多任务策略，以解决强化学习中多事件交互复杂性问题。

Comments ICML 2025 Workshop on Programmatic Representations for Agent Learning

Benchmarking Quantum Reinforcement Learning

量子强化学习的基准测试

Nico Meyer, Christian Ufrecht, George Yammine, Georgios Kontes, Christopher Mutschler, Daniel D. Scherer

机构 * Fraunhofer IIS, Fraunhofer Institute for Integrated Circuits IIS, N\"urnberg, Germany ； Pattern Recognition Lab, Friedrich-Alexander-Universit\"at Erlangen-N\"urnberg, Erlangen, Germany 纠错

AI总结 本文提出了一种新的量子强化学习基准测试方法，通过样本复杂度估计和统计优势定义，评估QRL的性能并质疑其优越性，同时探讨了结果的局限性和对量子优势研究的影响。

Comments Accepted to the 42nd International Conference on Machine Learning (ICML 2025), Vancouver, British Columbia, Canada. 31 pages, 20 figures, 3 tables

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:43934-43964, 2025

Subgoal-Guided Policy Heuristic Search with Learned Subgoals

基于学习子目标的策略树搜索启发式搜索

Jake Tuero, Michael Buro, Levi H. S. Lelis

机构 * Department of Computing Science, University of Alberta, Edmonton, Canada（阿尔伯塔大学计算机科学系） ； Alberta Machine Intelligence Institute (Amii), Edmonton, Canada（阿尔伯塔机器智能研究所） 纠错

AI总结 本文提出了一种基于学习子目标的策略树搜索方法，通过利用搜索过程中生成的树结构来提升策略学习的样本效率。

Comments Accepted to ICML-25

Journal ref Forty-second International Conference on Machine Learning. 2025