aprendizaje activo
Todas las noticias con este tag · Estados Unidos.
Ver estadísticas de este tema
Noticias por hora
Últimas 24 horas · hora argentina
Consultar los valores por hora
| Hora | Noticias |
|---|---|
| 3 nov 2026, 1:00 p. m. | 0 |
| 3 nov 2026, 2:00 p. m. | 0 |
| 3 nov 2026, 3:00 p. m. | 0 |
| 3 nov 2026, 4:00 p. m. | 0 |
| 3 nov 2026, 5:00 p. m. | 0 |
| 3 nov 2026, 6:00 p. m. | 0 |
| 3 nov 2026, 7:00 p. m. | 0 |
| 3 nov 2026, 8:00 p. m. | 0 |
| 3 nov 2026, 9:00 p. m. | 0 |
| 3 nov 2026, 10:00 p. m. | 0 |
| 3 nov 2026, 11:00 p. m. | 0 |
| 4 nov 2026, 12:00 a. m. | 0 |
| 4 nov 2026, 1:00 a. m. | 0 |
| 4 nov 2026, 2:00 a. m. | 1 |
| 4 nov 2026, 3:00 a. m. | 0 |
| 4 nov 2026, 4:00 a. m. | 0 |
| 4 nov 2026, 5:00 a. m. | 0 |
| 4 nov 2026, 6:00 a. m. | 0 |
| 4 nov 2026, 7:00 a. m. | 0 |
| 4 nov 2026, 8:00 a. m. | 0 |
| 4 nov 2026, 9:00 a. m. | 0 |
| 4 nov 2026, 10:00 a. m. | 0 |
| 4 nov 2026, 11:00 a. m. | 0 |
| 4 nov 2026, 12:00 p. m. | 0 |
| 4 nov 2026, 1:00 p. m. | 0 |
Noticias por día
Últimos 30 días, incluido hoy · hora argentina
Consultar los valores por día
| Día | Noticias |
|---|---|
| 2026-10-06 | 0 |
| 2026-10-07 | 0 |
| 2026-10-08 | 0 |
| 2026-10-09 | 0 |
| 2026-10-10 | 0 |
| 2026-10-11 | 0 |
| 2026-10-12 | 0 |
| 2026-10-13 | 0 |
| 2026-10-14 | 0 |
| 2026-10-15 | 0 |
| 2026-10-16 | 0 |
| 2026-10-17 | 0 |
| 2026-10-18 | 0 |
| 2026-10-19 | 0 |
| 2026-10-20 | 0 |
| 2026-10-21 | 0 |
| 2026-10-22 | 0 |
| 2026-10-23 | 0 |
| 2026-10-24 | 0 |
| 2026-10-25 | 0 |
| 2026-10-26 | 0 |
| 2026-10-27 | 0 |
| 2026-10-28 | 0 |
| 2026-10-29 | 0 |
| 2026-10-30 | 0 |
| 2026-10-31 | 0 |
| 2026-11-01 | 0 |
| 2026-11-02 | 0 |
| 2026-11-03 | 1 |
| 2026-11-04 | 1 |
Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.
Noticias de aprendizaje activo
2 noticias · De más nuevas a más antiguas.
arXiv Computer Science AIAprendizaje activo bayesiano para la disambiguación de intenciones en la planificación de robots interactivos
Se propone un marco bayesiano para resolver la ambigüedad en las instrucciones de lenguaje natural para la planificación de robots interactivos. El método utiliza LLMs para generar especificaciones y preguntas de clarificación, utilizando optimización bayesiana para seleccionar las consultas que maximizan la ganancia de información. El enfoque logra una mayor satisfacción de la tarea y requiere menos rondas de clarificación que los modelos basados en LLM.
Aprendizaje activo de bajo costo para segmentación de imágenes referenciales y localización
Se presenta un marco de aprendizaje activo para la localización visual (VG) que aborda el desafío de obtener expresiones referenciales precisas a partir de imágenes sin texto. El método introduce una función de adquisición llamada Referencia de Ambigüedad de Región para priorizar imágenes con alta ambigüedad visual. Los experimentos demuestran que este marco supera a otros métodos de aprendizaje activo y acelera el etiquetado de descripciones.