Últimos artículos para Agentes

La investigación explora un método para formar formas complejas con piezas simples.

Descubre cómo los agentes pueden mejorar los modelos base para obtener mejores resultados de IA.

Este documento habla sobre el papel de los LLMs en el análisis de series temporales.

Explora cómo el aprendizaje por refuerzo offline mejora la toma de decisiones a través del análisis de experiencias pasadas.

Este estudio investiga cómo los sesgos en los LLMs afectan las simulaciones de interacción humana.

Un nuevo método mejora los motores de búsqueda usando imágenes para sugerencias de consultas.

Este artículo habla sobre cómo mejorar el aprendizaje de agentes en entornos conectados a través de un nuevo modelo.

Un nuevo marco mejora el aprendizaje a pesar de la falta de retroalimentación.

Un nuevo enfoque para las negociaciones en la nube mejora la asignación de recursos y reduce costos.

Estrategias para reasignar agentes de manera eficiente a trabajos de alta prioridad.

Este artículo examina la amenaza de ataques encubiertos en agentes de modelos de lenguaje.

Un estudio muestra que los agentes de IA pueden polarizarse en entornos parecidos a cámaras de eco.

Este estudio examina los contratos entre los principales y los agentes de aprendizaje a través de interacciones repetidas.

Investigando contratos y el rendimiento de los agentes en situaciones de contratación repetida.

Una mirada a cómo las inspecciones mejoran el rendimiento de los contratos y la motivación de los agentes.

Un nuevo modelo para analizar cómo los sesgos afectan las opiniones en las redes sociales.

Un nuevo conjunto de datos mejora la capacidad de los agentes computacionales para realizar varias tareas.

La investigación muestra que los métodos de regularización general mejoran el rendimiento de los agentes de RL off-policy en varias tareas.

Un estudio examina la comunicación y la enseñanza en sistemas de agentes bajo diferentes modelos de gobernanza.

Examinando cómo las interacciones estratégicas afectan el rendimiento de los modelos de aprendizaje automático.

Un método para que los agentes estimen funciones sin compartir datos directamente.

GPT-4 demuestra su capacidad para interactuar con el clásico juego DOOM.

Abordando la sobreestimación del valor y el sesgo de primacía para mejorar el rendimiento del agente.

Un nuevo enfoque para entender la dinámica del mercado cripto a través de técnicas de modelado avanzadas.

Explora soluciones para que los agentes se muevan por espacios compartidos sin chocar.

Explorando cómo el deep learning nos ayuda a estudiar la aparición del lenguaje.

Optimizando el comportamiento de los agentes a través de normas y sanciones en sistemas complejos.

MA4DIV mejora los resultados de búsqueda en línea al aumentar la diversidad de documentos a través de un enfoque multi-agente.

Un nuevo método mejora el entrenamiento de coches autónomos a través de una interacción parecida a la humana.

Un nuevo método mejora la colaboración entre agentes en entornos de aprendizaje diversos, manteniendo la privacidad de los datos.

Un nuevo marco que ayuda a la investigación en el complicado mercado del arte.

Un estudio explora cómo los modelos de lenguaje trabajan con los humanos y entre ellos para completar tareas.

Un sistema que ayuda a los robots a detectar y arreglar fallos en las tareas en tiempo real.

Una mirada a cómo los agentes adaptan su aprendizaje para recolectar comida.

Examinando cómo los agentes y los principales comparten info sobre métricas de rendimiento.

Un marco que usa agentes le da a los usuarios el poder de manejar la seguridad y las preferencias de privacidad de IoT.

Los algoritmos de consenso por modo agilizan el acuerdo en sistemas multiagente de manera eficiente.

Explora cómo reglas básicas pueden ayudar a los agentes a navegar laberintos con información mínima.

Un enfoque en métodos para evaluar y mejorar el rendimiento de los agentes digitales.

Este estudio aborda los desafíos en las estrategias de pujas utilizando monedas artificiales.