ULD: Unificando eficiencia y representaciones en RL
ULD: algoritmo de RL que unifica eficiencia y representaciones sin sobrecarga de planificación. Supera a métodos especializados en 80 entornos.
#aprendizaje por refuerzo
Marco unificado para localidad en MARL escalable
Optimiza MARL escalable con un marco de localidad que descompone sensibilidad. Descubre cómo el control de temperatura softmax mejora la eficiencia.
COP-Q: Aprendizaje por refuerzo seguro para robots con Proyección de Cholesky
Nuevo método COP-Q mejora la seguridad y eficiencia en control robótico usando Proyección de Cholesky.
MusaCoder: generación nativa de kernels GPU con entrenamiento full-stack
Descubre MusaCoder, un marco de entrenamiento full-stack para generar kernels GPU nativos. Combina síntesis de datos, ajuste por rechazo y aprendizaje por refue
Aprendizaje por refuerzo superior con interacción humano-IA
Descubre cómo la interacción humano-IA crea una super-política que supera al aprendizaje por refuerzo tradicional, incluso con confusión.
Cuándo y por qué funciona la exploración aleatoria en bandidos lineales
Exploración aleatoria (Thompson sampling) logra arrepentimiento óptimo en bandidos lineales con espacios convexos. ¡Un avance clave!
Reutilizar trayectorias en gradientes de política permite convergencia rápida
El nuevo algoritmo RT-PG reutiliza trayectorias off-policy para acelerar la convergencia en métodos de gradientes de política, mejorando la eficiencia muestral.
Razonamiento de calidad con aprendizaje por refuerzo en contexto
Descubre cómo el aprendizaje por refuerzo en contexto mejora la calidad del razonamiento en IA, asignando mayor peso a demostraciones efectivas.
Redistribución de Ventajas Basada en Resultados para Razonamiento Matemático
Descubre OAR un nuevo método de GRPO que asigna crédito fino a cada token en razonamiento matemático mejorando el rendimiento sin costo computacional adicional
¿Pueden los LLMs generalizar procedimientos entre representaciones?
Descubre cómo un currículo de RL permite a LLMs generalizar procedimientos entre código y lenguaje natural, igualando a GPT-4o.
El entrelazamiento cuántico da ventaja competitiva en juegos adversariales
¿El entrelazamiento cuántico mejora juegos adversariales? Un estudio muestra ventaja competitiva en Pong con circuitos cuánticos.
ContactExplorer: Exploración con cobertura de contacto para manipulación diestra
Descubre ContactExplorer, un método que usa cobertura de contacto para guiar la exploración en manipulación diestra, mejorando eficiencia y tasa de éxito en tareas complejas.
Policy Split: Exploración de modo dual en RL para LLM
Descubre cómo Policy Split mejora la exploración dual en LLMs con regularización de entropía para mayor precisión y creatividad.
Aprendizaje por refuerzo multitarea contextual para monitoreo autónomo arrecifes
Descubre cómo el aprendizaje por refuerzo multitarea contextual permite a vehículos submarinos adaptarse a corrientes para monitorear arrecifes.
Gradiente de Política Autodestilada (SDPG)
Descubre SDPG, un marco de gradiente de política autodestilada que estabiliza el entrenamiento de LLMs mediante autorefuerzo y ventajas de grupo.
Diagnóstico de selectores offline: ¿por qué no superan al mejor modelo?
Descubre por qué los selectores offline no superan al modelo único en predicción de abandono de edX. Diagnóstico revela el cuello de botella y próximos pasos.
RL en preentrenamiento de LLM: optimización temprana de políticas
Aplicar RL durante el preentrenamiento de LLM mejora rendimiento, superando al enfoque SFT→RL. Fusionar RL y SFT da mejores resultados sin perder capacidades.
Aprendizaje offline-online en bandidos lineales
Descubre cómo nuestro algoritmo combina datos offline y exploración online en bandidos lineales para minimizar el arrepentimiento. Resultados empíricos demuestran su eficacia.
Gradiente de Política para MDP Robustos en Tiempo Continuo
Descubre cómo los algoritmos de gradiente de política en tiempo continuo mejoran la robustez en MDPs, con convergencia lineal y menor complejidad muestral.
Consistencia Temporal de Memoria Episódica en MARL Cooperativo
EMTC mejora la consistencia temporal en memoria episódica para MARL cooperativo, superando cuellos de botella y logrando hasta un 28% de mejora en benchmarks.