¿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.
#aprendizaje por refuerzo
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.
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.
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.