EvoDrive: Evolución Pareto para conducción autónoma segura con agentes LLM
Descubre EvoDrive, agentes LLM que generan escenarios adversariales realistas para mejorar la seguridad de la conducción autónoma mediante evolución Pareto.
#aret
Taiji: Optimización Pareto para Recomendación Industrial con LLM
Descubre cómo Taiji optimiza recomendaciones industriales con LLM, equilibrando semántica e IDs de usuario. Resultados reales en Kuaishou.
MAdam: Adam multiobjetivo con métrica consciente
MAdam: el drop-in wrapper que mejora Adam en optimización multiobjetivo. Corrige sesgos de ponderación y geometría. ¡Conócelo!
AReT: Volumetría de nódulos pulmonares con solo 3 proyecciones
Descubre AReT: la nueva técnica de IA que logra volumetría de nódulos pulmonares con solo 3 radiografías. Precisión del 98.3% y error del 11.4%.
FIRM: Alineación multiobjetivo regularizada en cliente federada
FIRM alinea LLMs con múltiples objetivos eficientemente y en privado usando aprendizaje federado. Mejora equilibrio entre utilidad e inocuidad.
Aprendizaje por refuerzo multiobjetivo para decisiones tácticas en camiones
Descubre cómo el aprendizaje por refuerzo multiobjetivo optimiza seguridad, eficiencia y costes en camiones autónomos con frontera de Pareto.
Agentes en árbol: coordinación por rutas para optimización molecular
ATOM: marco multiagente que coordina agentes en un árbol para optimizar moléculas multiobjetivo. Mejora Pareto en diseño de fármacos. ¡Descúbrelo!
Repensando los paradigmas de evaluación en entrenamiento certificado IBP
Descubre cómo las fronteras de Pareto y la optimización automatizada revelan rendimientos superiores en entrenamiento certificado.
Desmitificando el clasificador justo óptimo en multiclase
Descubre cómo lograr el clasificador justo óptimo en multiclase. Algoritmos de pre y post-procesamiento alcanzan la frontera Pareto entre precisión y equidad.
Grafos de Coordinación para Aprendizaje Multiagente con Restricciones
Descubre cómo los grafos de coordinación y dualidad lagrangiana escalan el aprendizaje multiagente con restricciones, generando frentes de Pareto superiores.
Un marco unificado para la agregación de gradientes en optimización multiobjetivo
Descubre un marco teórico que unifica los algoritmos de agregación de gradientes para optimización multiobjetivo, con nuevas garantías de convergencia y aplicac
Seguimiento de Pareto sin población para MORL multi-política
Descubre MPFT, un nuevo marco de MORL que elimina la necesidad de grandes poblaciones, logrando un seguimiento eficiente del frente de Pareto con menos interacciones agente-entorno.
Sin certificado de alineación: Dos imposibilidades independientes y la frontera de Pareto de las garantías de seguridad alcanzables
<meta name=description content=Explora dos imposibilidades clave y la frontera Pareto al carecer de un certificado de alineación. Optimización y trade-offs en equilibrio.>