Estrategia multi-par dinámica en cripto con aprendizaje por refuerzo profundo
Descubre cómo el DRL optimiza el trading de pares en criptomonedas, superando estrategias clásicas con un modelo híbrido que reduce riesgos.
#aprendizaje por refuerzo
De Ticks a Flujos: Aprendizaje por Refuerzo en Entornos Continuos
Nuevo marco teórico para aprendizaje por refuerzo en entornos continuos: procesos estocásticos y ecuaciones diferenciales. Mejora tu comprensión de RL.
Mejora de MADDPG con inferencia de acciones y muestreo por importancia
Mejora el algoritmo MADDPG con inferencia de acciones y muestreo por importancia para optimizar la cooperación y exploración en entornos multiagente.
Modelos MoE dispersos: expertos interpretables para preferencias personalizadas
Descubre cómo los modelos MoE dispersos aprenden expertos especializados e interpretables para modelar preferencias humanas personalizadas sin coste adicional d
Aprendizaje multitarea generalizable para redes inalámbricas con PromptDT
Descubre cómo PromptDT, un enfoque multitarea, mejora hasta un 49% la QoE en redes inalámbricas, generalizando a nuevas configuraciones sin reentrenamiento.
Smart Picks en la oscuridad: RLVR eficiente con trazado metacognitivo
Descubre cómo PivotTrace logra un rendimiento casi total con solo el 29% de datos etiquetados y una convergencia 2.75 veces más rápida en RLVR.
Replay de experiencia a nivel de rollout para GRPO
Descubre cómo el nuevo método de replay priorizado por ventaja mejora la eficiencia muestral en GRPO para LLMs, logrando +4.35% en benchmarks.
CoRe-MoE: Locomoción Humanoide con Adaptación de Marcha en Terrenos Variados
Descubre CoRe-MoE, un marco de IA que permite a robots humanoides caminar y correr con fluidez en cualquier terreno. Resultados en simulación y robot real.
Sesgo de Pico Mediado por Trazas en RL
El Sesgo de Pico por Trazas (TMPB) distorsiona la valoración en RL profundo. La optimización adaptativa lo corrige. Implicaciones para IA y neurociencia.
Reproducir, analizar y detectar reward hacking en RL con rúbricas
Aprende cómo CHERRL reproduce y detecta reward hacking en RL con rúbricas, identificando sesgos del juez LLM para entrenar IA más segura.
Traj-Evolve: Sistema multiagente autoevolutivo para detección de cáncer pulmonar
Traj-Evolve: un sistema autoevolutivo que mejora la detección temprana del cáncer de pulmón usando IA.
EvoTrainer: Coevolución de políticas LLM y arneses
Descubre EvoTrainer, un marco que coevoluciona políticas LLM y arneses de entrenamiento para superar al RL humano en tareas complejas de software.
Clarificación consciente de incertidumbre en agentes LLM
Aumenta un 3.7% la eficacia de agentes LLM con clarificación inteligente. Solo 0.3 interacciones extra. Optimiza tareas y reduce errores.
ThoughtFold: Plegado de Cadenas de Razonamiento con Aprendizaje Introspectivo
Descubre ThoughtFold, un framework que elimina exploraciones redundantes en modelos de razonamiento, reduciendo tokens hasta un 56% sin perder precisión.
Entropía no es suficiente: aprendizaje por refuerzo visual con tokens anclados
La entropía falla en RL visual: VEPO selecciona tokens visual-informativos y supera en hasta 3.15 puntos. Descubre cómo.
Margin Play: sistema multiagente para análisis de políticas en el Margen Ecuatorial Brasileño
Descubre cómo Margin Play usa MARL para analizar políticas públicas en el Margen Ecuatorial Brasileño y su impacto en el bienestar de Maranhão.
FSA-GRPO: Cómo entrenar LLMs auditivos con pocos ejemplos
Descubre cómo FSA-GRPO entrena modelos auditivos con aprendizaje por refuerzo para mejorar el reconocimiento de voz usando pocos ejemplos.
El exceso de sim2real puede perjudicar el aprendizaje de políticas: cómo evitarlo
¿Demasiado sim2real? Aprende cómo el nuevo paradigma sim2sim2real evita el bloqueo del simulador y mejora la exploración de políticas.
Guía local, impacto global: Región de confianza gaussiana
GTR: región de confianza Gaussiana para transiciones de comportamiento en aprendizaje por refuerzo no estacionario. Ideal para juegos, robótica y más.
Límites de arrepentimiento dependientes de datos y varianza en MDPs tabulares
Algoritmos que logran límites de arrepentimiento adaptativos a datos y varianza en MDPs tabulares online, óptimos en entornos adversariales y estocásticos.