Redes Neuronales Fourier Multicomponente y Multicapa: Potencial de Alta Frecuencia
Redes FMMNN: precisión excepcional en funciones oscilatorias con activaciones seno y estructura multicomponente. Inicialización escalada acelera entrenamiento.
#aproximación de funciones
Complejidad del aprendizaje por refuerzo offline con Q* y cobertura parcial
La combinación de Q* y Bellman completa no es suficiente para RL offline con cobertura parcial. Descubre el nuevo marco teórico y mejoras.
Convergencia Rápida y Robusta de TD(0) con Aproximación Lineal
Descubre cómo TD(0) con aproximación lineal logra una convergencia rápida y robusta, con tasa óptima de 1/k y sin depender del menor autovalor. Ideal para aprendizaje por refuerzo.
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!
RBF-KAN y RBF-SKAN Jerárquicos para Aproximación y Campos Aleatorios
Arquitecturas jerárquicas RBF-KAN y RBF-SKAN para aproximación multidimensional y aprendizaje de campos aleatorios. Reduce la maldición de la dimensionalidad.
Aproximación de funciones suaves anisotrópicas y mixtas con redes neuronales ReLU profundas
Descubre cómo las redes neuronales ReLU profundas logran tasas de aproximación óptimas para funciones suaves anisotrópicas y mixtas, superando la maldición de la dimensionalidad.