La IA y los problemas difíciles del mundo · Informática teórica · arXiv · 2026-10-22
Aprendizaje por refuerzo para el control global-local de redes dinámicas con aplicaciones al riesgo sistémico
Título original: Reinforcement Learning for Global-Local Control of Dynamic Networks with Applications to Systemic Risk
Los autores proponen un marco de aprendizaje por refuerzo para problemas de control en redes dinámicas, donde las decisiones combinan acciones globales a nivel de grafo con acciones locales a nivel de nodo. Una red neuronal de paso de mensajes con cabezas de política globales y locales separadas produce políticas que satisfacen las simetrías de permutación y las restricciones de transparencia, y cotas de Lipschitz explícitas proporcionan garantías de convergencia para un algoritmo de gradiente de política proyectado. Aplicada a la gestión del riesgo sistémico en redes financieras, donde un regulador asigna intervenciones de capital entre instituciones, la arquitectura supera las líneas base feedforward estándar y escala a redes grandes.