PBSD: Destilación Bayesiana Privilegiada para Crédito en Horizonte Largo
Descubre cómo PBSD asigna crédito granular en tareas de largo plazo con auto-destilación bayesiana, mejorando el aprendizaje con recompensas dispersas.
#aprendizaje por refuerzo
Algoritmo para bandits de colas contextuales con arrepentimiento de longitud de cola óptimo
Nuevo algoritmo para bandits de colas contextuales logra arrepentimiento de longitud de cola óptimo (T^{-1/2}). Descubre su enfoque de tres fases.
TinyJudge: alineación de restricciones no verificables con conjuntos ligeros
TinyJudge alinea modelos de lenguaje con restricciones no verificables usando conjuntos ligeros de especialistas. Logra un 10% de rendimiento y 3x velocidad.
Aprendizaje basado en modelos de índices Whittle
Descubre BLINQ, el nuevo algoritmo basado en modelos que aprende índices Whittle de forma más rápida y precisa que Q-learning, reduciendo muestras y costo computacional.
MOF-LLM: razonamiento espacial en LLMs para estructuras MOF
MOF-LLM revoluciona la predicción de estructuras MOF con un 35.78% de precisión y 0.04s por estructura. Conoce el nuevo marco de IA que integra razonamiento espacial.
Flujo esférico latente para RL con acciones combinatorias
LSFlow: política de flujo esférico latente para RL con acciones combinatorias. Supera en 20.6% a métodos tradicionales, mejorando eficiencia y estabilidad.
Graph-GRPO: Entrenamiento de Modelos de Flujo de Grafos con Aprendizaje por Refuerzo
Descubre cómo Graph-GRPO entrena modelos de flujo de grafos con RL para optimizar moléculas, alcanzando 95% VUN en planares. Innovador y eficiente.
Atención ilumina razonamiento LLM: ritmo preplan-anclaje para optimización granular
Descubre cómo la atención en los LLM revela un ritmo de preplan y anclaje que optimiza políticas con aprendizaje por refuerzo granular, mejorando el razonamiento.
RLVE: Escalando RL para LLMs con Entornos Verificables Adaptativos
Descubre RLVE: una técnica que escala el aprendizaje por refuerzo para LLMs con entornos adaptativos, logrando un 3.37% de mejora en razonamiento con menos cómputo.
Destilación adaptativa de coincidencias para generación en pocos pasos
Descubre cómo AMD optimiza la generación en pocos pasos evitando la Zona Prohibida, mejorando fidelidad y robustez en modelos como SDXL.
ReTabSyn: Síntesis Realista de Datos Tabulares con RL
Descubre ReTabSyn, el método de aprendizaje por refuerzo que genera datos tabulares realistas incluso con pocos datos. Mejora tus modelos de IA.
Optimización de Políticas Proximales Variacionales
Descubre VP2O, el nuevo marco de optimización variacional que logra +179 ELO en Codeforces y reduce un 32% los tokens en tareas matemáticas.
Robótica aérea consciente de perturbaciones para monitoreo ético de fauna
Descubre cómo los drones con aprendizaje por refuerzo minimizan la perturbación animal, permitiendo un monitoreo ético y no invasivo de la fauna silvestre.
Paso a paso: marco de aprendizaje para seguimiento de pasos humanoides
Nuevo marco de aprendizaje permite a robots humanoides seguir pasos con precisión. Mejora la navegación en entornos complejos.
QnRL: Aprendizaje por Refuerzo Cuántico Nativo
Aprende cómo QnRL revoluciona el RL cuántico con distribuciones nativas en Hilbert: mejora hasta 82.9% con 94.3% menos parámetros.
CATPO: Optimización de Políticas de Árbol Aumentada con Crítica
Descubre cómo CATPO revoluciona el aprendizaje por refuerzo con crítica aumentada, mejorando la precisión en LLMs hasta un 37.5% en benchmarks clave. Optimiza tus modelos.
Vehículos submarinos autónomos: planificación end-to-end con RL
Explora cómo el aprendizaje por refuerzo jerárquico permite a vehículos submarinos autónomos planificar y ejecutar movimientos usando solo sensores básicos, con robustez al ruido.
IR-SIM: Simulador ligero nativo de habilidades para navegación robótica
Simulador ligero IR-SIM: crea escenarios de navegación robótica desde lenguaje natural, entrena algoritmos y pasa a entornos reales sin código extra. Ideal para benchmarking.
Bandits Multi-Brazo con Nuevos Brazos: Arrepentimiento Dinámico
Optimiza experimentos con llegada de nuevas opciones: el algoritmo UCB-AA ofrece arrepentimiento dinámico sublineal y reduce desperdicio de recursos.
SG-OPD: Destilación on-policy con puerta de signo y muestreo por fases
SG-OPD introduce un verificador binario para mejorar la destilación on-policy, superando a métodos anteriores en problemas de razonamiento matemático.