Aprendizaje por refuerzo con regularización KL y mala especificación
Descubre cómo la regularización KL mejora el aprendizaje por refuerzo ante modelos incorrectos. Nuevas garantías teóricas para algoritmos robustos. ¡Lee más!
#aprendizaje por refuerzo
MDP-GRPO: Optimización de Políticas Grupales Estabilizada para Instrucciones Multi-Restricción
Descubre MDP-GRPO, un método que estabiliza GRPO bajo recompensas discretas, mejorando el cumplimiento de restricciones hasta un 5%. Ideal para IA confiable.
Estimaciones de ventaja para gradientes de política Max@K
Descubre cómo MaxPO optimiza el post-entrenamiento de LLMs con una nueva línea base Leave-Two-Out que centra la ventaja y reduce la varianza del gradiente.
OrderGrad: optimiza más allá de la media con gradientes de estadísticos de orden
Descubre OrderGrad, un método unificado para optimizar objetivos de estadísticos de orden como VaR, CVaR y medias recortadas en aprendizaje por refuerzo. Ideal para tareas de riesgo y robustez.
Abstracciones estado-acción adaptativas por distorsión de tasa
Descubre cómo el principio de refinamiento dinámico de abstracciones mejora el aprendizaje por refuerzo, usando distorsión de tasa para lograr rendimiento óptimo con compresión.
Optimización de córner con aprendizaje por refuerzo gráfico
Optimiza tácticas de córner con RL gráfico. Supera a métodos tradicionales en 3000+ jugadas de la Premier League.
AgentJet: Marco de entrenamiento enjambre para RL agentivo
AgentJet: marco enjambre para RL agentivo. Entrena agentes heterogéneos con tolerancia a fallos, edición en vivo y acelera 10x. Ideal para investigadores.
Escalando Agentes Auto-Evolutivos con Memoria Paramétrica
Marco TMEM: agentes IA auto-evolutivos con memoria paramétrica y LoRA. Aprenden de la experiencia, mejorando su comportamiento sin reinicios.
Neetyabhas: marco para políticas públicas con incertidumbre en modelos de agente
Descubre cómo Neetyabhas optimiza políticas públicas con incertidumbre y comportamiento. Un enfoque basado en IA.
SCI-PRM: Un modelo de recompensa de proceso para verificación científica
Descubre cómo Sci-PRM, un modelo de recompensa consciente de herramientas, mejora la verificación científica en biología, química y física.
Fog of Love: Agentes virtuosos con aprendizaje por refuerzo basado en afinidad
Descubre cómo la afinidad localizada mejora el aprendizaje por refuerzo para crear agentes de IA virtuosos en el juego Fog of Love. Resultados superiores.
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.
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.