Conjunto semi-algebraico de valor en POMDPs
Aprende cómo el conjunto semi-algebraico de la función de valor en POMDPs revela una geometría no lineal y maximizadores locales.
#optimización de política
Optimización de Políticas Guiada por Física con Autodestilación
Descubre PGPO, un nuevo método de optimización guiado por la física que estabiliza el post-entrenamiento de LLMs, mejorando hasta 4.5 puntos en Science-QA.
Planificación incierta: simetrías, inferencia de políticas y compresión
Descubre cómo las simetrías, la inferencia de políticas y la compresión de soluciones revolucionan la planificación con incertidumbre en IA.
FGRPO: Aprendizaje Federado con Agregación Adaptativa en Datos No IID
FGRPO: fine-tuning privado de modelos de lenguaje con agregación adaptativa en datos no IID. Mejora el razonamiento sin exponer datos.
FGRPO: Federated GRPO con Agregación Adaptativa en Datos No IID
FGRPO optimiza modelos de razonamiento con agregación adaptativa en datos no IID, preservando privacidad.
Mecanismos de salud con búsqueda de Policy-as-Code y respuesta estratégica
Optimiza mecanismos sanitarios con Policy-as-Code y simulación multiagente. Un programa evolutivo elimina la sobrecodificación y reduce rechazos. ¡Descubre cómo!
Destilación de feedback de LLM para demostración de teoremas en Lean
Aprende sobre Feedback Distillation, un método que mejora la demostración de teoremas en Lean4 superando al GRPO. Incrementa diversidad y eficiencia en el entrenamiento de modelos de razonamiento.
Optimización de políticas con recompensas híbridas eficientes en energía
Descubre cómo H-EARS mejora eficiencia energética y estabilidad en RL con recompensas híbridas guiadas por física. Resultados en benchmarks y simulaciones.
IAPO: Optimización de Políticas Informada para Razonamiento Eficiente en Tokens
Descubre IAPO: asigna ventajas a cada token según información mutua. Reduce razonamiento hasta 36% sin perder precisión. Optimiza tus modelos de lenguaje.
Optimización de políticas sin valor mediante partición de recompensas
Descubre RPO, un método que elimina la función de valor en optimización de preferencias. Más estable, diverso y con menos toxicidad que DRO y KTO. Ideal para alinear LLMs.
FM-IRL: Flow-Matching para modelado de recompensas y regularización en RL
Descubre cómo FM-IRL combina Flow-Matching con RL para mejorar la exploración y generalización en políticas de aprendizaje por refuerzo.
Optimización de Políticas con Mean Flow (MFPO)
Descubre cómo MFPO acelera el entrenamiento e inferencia en aprendizaje por refuerzo superando limitaciones de modelos de difusión.
TrOPD: Destilación On-Policy con Región de Confianza
TrOPD estabiliza la destilación on-policy de LLMs usando regiones de confianza, superando la divergencia profesor-alumno. Mejora razonamiento, código y benchmarks.
Optimización offline regularizada con creencia bayesiana híbrida posterior
Nuevo método unifica incertidumbre epistémica y de modelo en RL offline. Optimización regularizada con creencia bayesiana híbrida.
Exploración emergente en RL vía reintentos con gradiente de políticas
Descubre cómo ReMax y RePPO logran exploración emergente en RL optimizando políticas mediante reintentos. Resultados en MinAtar y Craftax.
OpenWebRL: Aprendizaje por Refuerzo Multiturno Online para Agentes Web Visuales
OpenWebRL logra un 67% de éxito en benchmarks, superando a agentes propietarios. Descubre cómo entrenar agentes web visuales con RL online de código abierto.
Elusión de detectores de IA en paráfrasis de LLM con optimización
Descubre cómo DEPO evade detectores de texto generado por IA manteniendo la semántica original. Un avance en paráfrasis segura y eficaz para investigadores.
ReSkill: Reconciliando creación de habilidades con optimización en RL agéntico
Descubre ReSkill, un marco que integra la creación de habilidades en el RL agéntico para optimizar políticas y mejorar el rendimiento en tareas no vistas.
Aprender cuándo no actuar: mitigar abuso de herramientas en RL agente
Descubre cómo EAPO mejora la precisión en modelos de IA reduciendo el abuso de herramientas. Aprende cuándo no actuar y optimiza el rendimiento.
¿Son suficientes los LLMs como optimizadores de políticas en RL?
¿Cuándo son suficientes los LLMs como optimizadores de políticas en RL? PromptPO iguala o supera algoritmos clásicos. Conoce sus límites en control continuo.