<div dir="ltr"><div class="inbox-inbox-uyb8Gf"><div><div class="inbox-inbox-F3hlO"><div dir="ltr"><div class="inbox-inbox-m_491356864120994633inbox-inbox-i3"><div dir="ltr">** Submission deadline is extended to Friday, October 12, 2018 (Anywhere on Earth) **<br><br>****************************************************************************************************<br>> Infer to Control: Probabilistic Reinforcement Learning and Structured Control<br>> NIPS 2018 Workshop<br>> Saturday, December 8<br>> Montréal, Canada<br>> Website: <a href="https://sites.google.com/view/infer2control-nips2018" target="_blank">https://sites.google.com/view/infer2control-nips2018</a>  <br>> Please address questions to: <a href="mailto:infer2control.nips2018@gmail.com" target="_blank">infer2control.nips2018@gmail.com</a>  <br>****************************************************************************************************<br><br>Reinforcement
 learning and imitation learning are effective paradigms for learning 
controllers of dynamical systems from experience. These fields have been
 empowered by recent success in deep learning of differentiable 
parametric models, allowing end-to-end training of highly nonlinear 
controllers that encompass perception, memory, prediction, and decision 
making. The aptitude of these models to represent latent dynamics, 
high-level goals, and long-term outcomes is unfortunately curbed by the 
poor sample complexity of many current algorithms for learning these 
models from experience.<br><br>Probabilistic reinforcement learning and 
inference of control structure are emerging as promising approaches for 
avoiding prohibitive amounts of controller–system interactions. These 
methods leverage informative priors on useful behavior, as well as 
controller structure, such as hierarchy and modularity, as useful 
inductive biases that reduce the effective size of policy search space 
and shape the optimization landscape. Intrinsic and self-supervised 
signals can further guide the training process of distinct internal 
components—such as perceptual embeddings, predictive models, exploration
 policies, and inter-agent communication—to break down the hard holistic
 problem of control into more efficiently learnable parts.<br><br>Effective
 inference methods are crucial for probabilistic approaches to 
reinforcement learning and structured control. Approximate control and 
model-free reinforcement learning exploit latent system structure and 
priors on policy structure, that are not directly evident in the 
controller–system interactions, and must be inferred by the learning 
algorithm. The growing interest of the reinforcement learning and 
optimal control community in the application of inference methods is 
synchronized well with the development by the probabilistic learning 
community of powerful inference techniques, such as probabilistic 
programming, variational inference, Gaussian processes, and 
nonparametric regression.<br><br>This workshop is a venue for the 
inference and reinforcement learning communities to come together in 
discussing recent advances, developing insights, and future potential in
 inference methods and their application to probabilistic reinforcement 
learning and structured control. The goal of this workshop is to 
catalyze tighter collaboration within and between the communities, that 
will be leveraged in upcoming years to rise to the challenges of 
real-world control problems.<br><br>#### IMPORTANT DATES: ####<br>- Submission deadline (extended): Friday, October 12, 2018 (Anywhere on Earth)<br>- Author notification: Monday, October 22, 2018<br>- Final version deadline: Friday, November 30, 2018<br>- Workshop: Saturday, December 8, 2018<br><br>#### SUBMISSION DETAILS: ####<br>-
 Research papers are solicited on inference for reinforcement learning 
and control, its theory and applications, and related fields.<br>- Contributed papers may include novel research, preliminary results, or surveys of recent results.<br>- Papers are limited to 4 pages, excluding references and appendices of any length, in the NIPS style: <a href="https://nips.cc/Conferences/2018/PaperInformation/StyleFiles" target="_blank">https://nips.cc/Conferences/2018/PaperInformation/StyleFiles</a>.<br>- Submissions must be anonymized for double-blind review.<br>-
 All accepted papers will be presented as spotlights and posters, and 
made publicly available as a non-archival report, allowing future 
submissions to archival conferences or journals.<br>- Authors of top accepted papers will be invited to give short contributed talks.<br>- Submission link: <a href="https://cmt3.research.microsoft.com/INFER2CONTROL2018" target="_blank">https://cmt3.research.microsoft.com/INFER2CONTROL2018</a><br>- Please check the workshop website for the latest updates: <a href="https://sites.google.com/view/infer2control-nips2018" target="_blank">https://sites.google.com/view/infer2control-nips2018</a><br><br>#### ORGANIZERS: ####<br>- Leslie Kaelbling<br>- Martin Riedmiller<br>- Marc Toussaint<br>- Igor Mordatch</div></div></div></div></div></div><div class="inbox-inbox-uyb8Gf"><div><div class="inbox-inbox-i3"><div dir="ltr"><div class="inbox-inbox-m_491356864120994633inbox-inbox-i3"><div dir="ltr">- Roy Fox<br>- Tuomas Haarnoja</div></div></div></div></div></div></div>