Learning and Repair of Deep Reinforcement Learning Policies from Fuzz-Testing Data

Reinforcement learning from demonstrations (RLfD) is a promising approach to improve the exploration efficiency of reinforcement learning (RL) by learning from expert demonstrations in addition to interactions with the environment. In this paper, we propose a framework that combines techniques from...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings / International Conference on Software Engineering s. 38 - 50
Hlavní autoři:	Tappler, Martin, Pferscher, Andrea, Aichernig, Bernhard K., Konighofer, Bettina
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	ACM 14.04.2024
Témata:	Deep reinforcement learning Fuzzing Maintenance engineering Policy repair Reinforcement learning from demonstrations Robustness Safety Search-based software testing Software reliability Training Video games
ISSN:	1558-1225
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!