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.
#composición de tareas
Uso de computación multi-agente
Descubre cómo los sistemas multi-agente mejoran el rendimiento en tareas complejas de navegación web y escritorio, superando a los agentes individuales en un 25%.
Descubrimiento Jerárquico No Supervisado de Habilidades
<meta name=description content=Descubrimiento no supervisado de habilidades jerárquicas: método automático para extraer estructuras de habilidades sin etiquetas. Ideal para robótica y aprendizaje por refuerzo.>
Refinamiento adaptativo de subobjetivos de grueso a fino para el aprendizaje por refuerzo offline condicionado por objetivos de horizonte largo
Refinamiento adaptativo de subobjetivos para RL offline de horizonte largo. Mejora la planificación y eficiencia en problemas complejos.