Planificación de movimiento con incertidumbre en tráfico mixto
UAMP integra incertidumbre en predicción de intenciones humanas para conducción autónoma más segura y cómoda en tráfico mixto.
#aprendizaje por refuerzo
3SPO: Optimización de Políticas Guiada por Puntaje de Estado para Agentes LLM
Descubre 3SPO: nuevo algoritmo RL para agentes LLM supera GRPO con 2.4x más exploración y 1.8x más convergencia. Resultados en ALFWorld y WebShop.
Políticas multi-parámetro interpretables para algoritmos evolutivos con DRL
Aprende cómo el deep RL crea políticas interpretables de control multi-parámetro para algoritmos evolutivos, con rendimiento excepcional.
Dropout-GRPO: Variabilidad estocástica para razonamiento latente continuo
Dropout-GRPO introduce variabilidad estocástica en razonamiento latente para mejorar el aprendizaje por refuerzo grupal. Resultados en GSM8K.
SHAPO: Optimización de Políticas con Agudeza para Exploración Segura
Descubre SHAPO, un método de optimización de políticas que mejora la exploración segura en aprendizaje por refuerzo, reduciendo riesgos en entornos críticos.
Optimización de políticas sin línea base para optimización combinatoria neuronal
Descubre cómo GRPO evita el colapso del entrenamiento en optimización combinatoria neuronal sin necesidad de línea base, mejorando la estabilidad en problemas de ruteo como TSP y CVRP.
Mitigación del sesgo en RL financiero de baja SNR con representaciones cuánticas
FPQC-SAC reduce el sesgo en RL financiero de baja SNR usando circuitos cuánticos. Logra un 66.89% más de retorno acumulado que SAC estándar. Descubre cómo.
RetroReasoner: modelo razonador para retrosíntesis estratégica
RetroReasoner es un LLM que predice retrosíntesis con razonamiento estratégico. Usa aprendizaje por refuerzo y búsqueda Monte Carlo, superando a otros modelos en rutas sintéticas.
Selección de prompts en el borde móvil para RL eficiente
Aprende cómo HIVE selecciona prompts clave en el borde del aprendizaje, reduciendo costos y manteniendo el rendimiento en modelos de razonamiento.
UNIQ: Calibración Conformal para Conservadurismo Adaptativo en RL Offline
UNIQ: calibración conformal para RL offline con conservadurismo adaptativo. Mejora el rendimiento con bajo costo de memoria. ¡Descúbrelo!
Lo fácil, lo difícil y lo aprendible: optimización adaptativa para LLM
Descubre CoDaPO: un método que asigna pesos adaptativos por dificultad y confianza para mejorar el razonamiento en LLM con aprendizaje por refuerzo. Resultados en 12 benchmarks.
ConSteer-RL: Dirigiendo el razonamiento en LLMs con RL consciente de la confianza
Descubre ConSteer-RL: un nuevo método que mejora el razonamiento de LLMs usando señales de confianza con RL. Resultados: hasta 4% de mejora.
ConSteer-RL: Dirigiendo razonamiento en LLMs con RL consciente de confianza
Descubre cómo ConSteer-RL mejora el razonamiento de LLMs usando señales de confianza, logrando mejoras del 2.3% al 4%.
Manipulación aérea autónoma con meta-aprendizaje por contraste
Un dron con gancho aprende a recoger objetos de distintos pesos y adaptarse en tiempo real gracias al meta-aprendizaje contrastivo. Descúbrelo.
Entrenamiento eficiente de LLM con RL bajo discrepancia de caja negra
DCMDP reformula el RL para LLM corrigiendo la discrepancia train-inference. Mejora el rendimiento en modelos como Qwen-3 incluso con recursos limitados.
Estabilizando destilación on-policy para razonamiento MLLM
Descubre cómo la normalización global estabiliza la destilación on-policy en modelos multimodales, mejorando el razonamiento y evitando explosiones de gradiente.
De atajos a razonamiento: post-entrenamiento robusto de ToM con RL
El nuevo enfoque Thinking-RFT supera atajos en ToM: mejora un 6% frente a SFT mediante razonamiento y refuerzo.
Refinamiento conservador de trayectorias con flujos contrafactuales
Refina trayectorias offline de forma conservadora con flujos contrafactuales. Mejora políticas a partir de datos históricos sin extrapolar. Resultados en D4RL.
Claw-R1: Middleware de datos paso a paso para RL agentivo
Descubre Claw-R1, el middleware que transforma las interacciones agente-entorno en datos gestionables para mejorar el RL agentivo. Optimiza el entrenamiento de LLMs con datos paso a paso.
Optimalidad asintótica de Thompson Sampling para bandidos aversos al riesgo
Un algoritmo de Thompson Sampling no paramétrico logra optimalidad asintótica en bandidos aversos al riesgo con recompensas subgaussianas.