PACT: Estrategias de Diagnóstico con Síntesis Privilegiada y Consenso
Descubre PACT, el nuevo marco de IA que aprende estrategias diagnósticas diversas mediante síntesis privilegiada y consenso de ramas. Mejora el diagnóstico
#dps
Optimización de Políticas con Restricciones de Utilidad
Descubre cómo la optimización de políticas con restricciones de utilidad permite entrenar agentes de RL más seguros y flexibles, superando a métodos tradicionales.
Optimización de Políticas con Restricciones de Utilidad
Descubre cómo la optimización con restricciones de utilidad mejora la seguridad en RL, permitiendo límites flexibles y mejor rendimiento sin coste extra.
Análisis de complejidad muestral con Lyapunov para MDPs débilmente acoplados
Descubre cómo el análisis de Lyapunov permite aprender políticas casi óptimas en MDPs débilmente acoplados y bandidos inquietos con complejidad polinómica.
Planificación bajo cambios de distribución con POMDPs causales
Descubre cómo los POMDPs causales permiten planificar bajo cambios de distribución, manteniendo la tractabilidad computacional.
Planificación bajo cambios de distribución con POMDPs causales
Planifica bajo cambios de distribución con POMDPs causales. Este marco mantiene la tractabilidad usando funciones de valor lineales convexas. Ideal para IA.
GenTI: Evaluación de LLMs para Generación Autónoma de Reglas IDPS
Descubre GenTI, el primer benchmark que usa LLMs para generar reglas IDPS automáticas. Mejora detección de ataques desconocidos hasta un 87.4%.
Revisión de amplificación de privacidad por submuestreo en DPSGD selectivo
Descubre cómo el nuevo algoritmo DPSR-CG logra privacidad diferencial rigurosa sin sacrificar el rendimiento del modelo en aprendizaje automático.
Límites de arrepentimiento dependientes de datos y varianza en MDPs tabulares
Algoritmos que logran límites de arrepentimiento adaptativos a datos y varianza en MDPs tabulares online, óptimos en entornos adversariales y estocásticos.
Corrigiendo el sesgo espectral en operadores neurales con difusión posterior
Corrige sesgo espectral en operadores neuronales usando difusión posterior y observaciones dispersas, logrando predicciones precisas con solo un 5% de cobertura.