Aprendizaje de bandidos robustos con mecanismos causales inciertos
Descubre cómo evaluar y aprender políticas de bandidos robustas frente a mecanismos causales inciertos usando modelos SEM. Optimiza tus decisiones con IA.
#política
d2: Mejora del razonamiento en modelos de difusión con estimación de trayectoria
Descubre d2, un marco de razonamiento para modelos de difusión que mejora el rendimiento en tareas lógicas y matemáticas, superando a RL tradicional.
Datos de trayectorias bastan para evaluar políticas en RL offline
Nuevo estudio muestra que los datos de trayectorias bastan para evaluar políticas en RL offline con eficiencia estadística. ¡Descúbrelo!
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.
Aprendiendo a muestrear de modelos de difusión mediante aprendizaje por refuerzo inverso
Aprende cómo el aprendizaje por refuerzo inverso optimiza el muestreo en modelos de difusión, reduciendo costos hasta 9x sin reentrenar. Descubre la técnica.
Optimización estable de políticas con convexidad de logits
Descubre cómo la convexidad de logits estabiliza la optimización de políticas en RL, superando la inestabilidad del PPO. Resultados probados en múltiples benchmarks.
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.
SpeedAug: Aceleración de Políticas con Tempo y RL
SpeedAug acelera políticas robóticas con RL: aumenta 1.8x el rendimiento en solo 16 minutos de interacción sin comprometer la tasa de éxito.
Ajuste dinámico de entropía en control de drones con RL
El ajuste dinámico de entropía en RL mejora el control de drones, evitando olvido catastrófico y optimizando la exploración. Comparativa SAC vs TD3.
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.
Políticas basadas en recursos para agentes de IA multiinquilino en Bedrock
Usa políticas basadas en recursos de Amazon Bedrock AgentCore para dar acceso entre cuentas y restringir por VPC a agentes de IA multiinquilino.
Zero-Shot Off-Policy: Aprendizaje sin Entrenamiento
Nueva técnica de aprendizaje off-policy con zero-shot adapta políticas óptimas sin reentrenamiento, usando sucesores y densidades estacionarias. Benchmark en ExoRL y OGBench.
Garantías de rendimiento probabilísticas para aprendizaje por refuerzo multitarea
Descubre cómo obtener garantías formales de rendimiento en aprendizaje por refuerzo multitarea para tareas no vistas, incluso con pocos datos.
Networking moderno en iOS más allá de REST
Descubre cómo el networking moderno en iOS va más allá de REST: streaming HTTP, WebSockets, GraphQL, gRPC y políticas de red optimizadas para apps móviles.
Microsoft MXC: sandbox OS para agentes de IA con OpenAI y Nvidia
Microsoft presenta MXC, un sandbox a nivel de SO que permite ejecutar agentes de IA de forma segura en Windows, con soporte de OpenAI y Nvidia.
Garantías probabilísticas de rendimiento para refuerzo multitarea
Descubre garantías de rendimiento para políticas multitarea en tareas no vistas. Método que combina rollouts y generalización con alta confianza.
RL continuo seguro con interacción limitada en tratamientos médicos dinámicos
Un nuevo marco de RL continuo seguro optimiza el momento de las interacciones clínicas y garantiza seguridad en toda la trayectoria. ¡Lee el artículo!
Aprendizaje on-policy enfocado en decisiones para optimización lineal contextual
Nuevo método de gradiente híbrido para optimización lineal contextual con retroalimentación parcial que reduce el arrepentimiento.
LP-DS: Dirección de difusión con perturbación lagrangiana
LP-DS optimiza políticas generativas congeladas mediante perturbaciones en el espacio de ruido, logrando hasta un 25% más de retorno en robótica y locomoción.
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.