Posición: El aprendizaje por refuerzo desplegado debe ser continuo
¿Por qué los agentes de RL desplegados deben aprender continuamente? Descubre las razones y ventajas frente al modelo entrenar-luego-arreglar.
#aprendizaje por refuerzo
RUBAS: Aprendizaje por Refuerzo Basado en Rúbricas para Seguridad de Agentes
RUBAS: aprendizaje por refuerzo con rúbricas para agentes seguros. Mejora la seguridad, reduce alucinaciones y mantiene la utilidad en herramientas.
Caracterización de conjuntos de metas en el álgebra booleana de tareas
Descubre cómo la caracterización de conjuntos de metas en el álgebra booleana de tareas reduce costos de aprendizaje y tiempo de composición en RL.
Reescritura de consultas con integridad contextual para privacidad en LLM
Descubre cómo reescribir consultas a LLM protegiendo datos sensibles sin perder utilidad. Nuevo método basado en integridad contextual y benchmark DelegateCI.
Modelos de lenguaje: hackeo de recompensas y sociedad
Descubre cómo los LLMs hackean las reglas sociales y explotan lagunas regulatorias durante el entrenamiento. Implicaciones para la seguridad y la ética de la IA.
SaliMory: Orquestando la memoria cognitiva para agentes conversacionales
SALIMORY: marco IA con recompensa por etapas para memoria cognitiva. Reduce fallos un 33% y supera en 10% a SOTA. Mejora personalización.
Expansión justa de metro con aprendizaje por refuerzo tabular
Descubre cómo el aprendizaje por refuerzo tabular expande redes de metro de forma justa y eficiente, reduciendo emisiones y costes frente al deep RL.
Desaprendizaje exacto en aprendizaje por refuerzo
Descubre cómo un nuevo algoritmo de RL permite eliminar datos de usuarios de forma exacta y eficiente, reduciendo el costo computacional. ¡Optimiza la privacidad!
Campos de Ventaja Dual
Aprende cómo Campos de Ventaja Dual optimiza políticas en RL off-line con ventajas locales precisas.
Aprendizaje por Refuerzo desde Retroalimentación Rica con DAgger Distribucional
Descubre DistIL: aprendizaje por refuerzo con retroalimentación rica para razonamiento, código y matemáticas. ¡Lee más!
Aprendizaje por Refuerzo con Retroalimentación Enriquecida usando DAgger Distribucional
Descubre cómo DistIL optimiza el aprendizaje por refuerzo usando retroalimentación rica (trazas, correcciones, autoevaluación) para mejorar en razonamiento, código y matemáticas.
Alineando preferencias implícitas profundas mediante razonamiento defensivo
Alinea modelos de lenguaje con preferencias implícitas usando razonamiento defensivo y aprendizaje por refuerzo. CDRA mejora personalización y seguridad.
Alineando preferencias profundas mediante razonamiento defensivo
Descubre cómo CDRA alinea LLMs con las preferencias ocultas de los usuarios mediante razonamiento defensivo y crítico. Mejora personalización y seguridad.
Cómo el condicionamiento de éxito optimiza políticas de IA
El condicionamiento de éxito resuelve un problema de optimización con restricción de divergencia, mejorando políticas de IA sin degradar el rendimiento. ¡Descúbrelo!
Modelo VLM consciente de creencias para razonamiento humano
Descubre cómo el modelo VLM consciente de creencias combina memoria y RL para un razonamiento similar al humano. Mejora en QA visual con HD-EPIC. ¡Lee más!
Modelo VLM consciente de creencias para razonamiento humanoide
Descubre cómo un modelo VLM consciente de creencias integra memoria y aprendizaje por refuerzo para un razonamiento similar al humano, mejorando tareas de VQA.
Embeddings Simpliciales mejoran eficiencia en agentes Actor-Critic
Descubre cómo los embeddings simpliciales mejoran la eficiencia muestral en Actor-Critic, acelerando el entrenamiento sin pérdida. Resultados: TD3, SAC, PPO.
Optimización de Preferencias Semiparamétrica: Tu LLM es Modelo de Índice Único
Descubre cómo alinear tu LLM con preferencias sin función de enlace conocida usando un modelo semiparamétrico de índice único.
Mid-Think: Razonamiento Intermedio sin Entrenamiento via Disparadores de Token
Descubre Mid-Think, un método sin entrenamiento que mejora el equilibrio precisión-longitud en modelos de razonamiento híbrido usando tokens disparadores. Ideal
RL basado en resultados guía a transformers a razonar solo con datos adecuados
¿Sabías que los transformers pueden aprender a razonar con solo recompensas finales? Un nuevo estudio revela que los datos simples son la clave.