Chelsea Finn

MOTO améliore l'apprentissage des robots en combinant l'entraînement hors ligne avec un ajustement en ligne.

AutoFT améliore la performance des modèles sur des données inédites grâce à des techniques de fine-tuning innovantes.

Un nouveau système améliore la façon dont les robots collectent et apprennent des données du monde réel.

Présentation de SERL : Un nouveau cadre pour des tâches d'apprentissage robotique efficaces.

Cet article parle d'une méthode pour améliorer les LLMs en utilisant des retours verbaux sans sur-généralisation.

Une étude sur l'efficacité de RLAIF par rapport à l'affinage supervisé pour les modèles de langue.

Une méthode pour améliorer l'apprentissage machine en utilisant des données non étiquetées dans différents domaines.

Une étude révèle les avantages de former des robots avec des expériences de tâches variées.

Les robots apprennent à s'adapter et à accomplir des tâches dans différents domaines.

Les robots apprennent à s'adapter et à s'améliorer en recevant des retours humains en temps réel.

Un nouveau modèle améliore l'apprentissage automatique en séparant les données complexes en parties plus simples.

Cette étude évalue des méthodes pour améliorer les grands modèles de langage en utilisant les données de préférence des utilisateurs.

Cet article discute du rôle des simulations dans l'évaluation des compétences des robots.

Les politiques de robots généralistes améliorent l'adaptabilité pour des tâches variées en robotique.

Examiner la sur-optimisation dans les DAAs et son impact sur la performance des modèles.

Un nouveau modèle permet aux robots d'apprendre des tâches mieux en utilisant des entrées visuelles et linguistiques.

Une nouvelle approche aide les robots à s'adapter rapidement à des tâches inconnues.

De nouvelles méthodes améliorent le mouvement des robots à pattes dans des environnements complexes grâce à l'IA.

Les robots améliorent la navigation en comprenant à la fois la parole et les images.

Une nouvelle méthode pour évaluer les valeurs diverses des utilisateurs dans les modèles de langage.

Cette méthode améliore la fiabilité des scores de confiance des modèles de langue.

Une manière amusante pour tout le monde d'aider à enseigner aux robots grâce à des données collectées en foule.

Découvrez comment l'apprentissage par renforcement agnostique aux politiques change la prise de décision des machines.