La IA y los problemas difíciles del mundo · Informática teórica · arXiv · 2026-10-22
Aprendizaje por refuerzo con testigos mínimos
Título original: Minimal Witness Reinforcement Learning
El artículo aborda la pregunta recurrente de qué condiciones irreductibles bastan para producir un resultado, formalizando la búsqueda de múltiples condiciones suficientes mínimas ('testigos')—a la que el aprendizaje por refuerzo estándar tiende a responder con una única solución o una redundante—como identificación de testigos mínimos. El Aprendizaje por Refuerzo de Testigos Mínimos (MWRL) toma la unión de los conjuntos certificados por las propuestas de política exitosas y acredita a cada propuesta por la cobertura que la unión perdería sin ella, unificando la minimalidad y la recuperación de alternativas a partir de un único bit de un verificador de caja negra. Bajo este principio, los autores derivan un planificador de iteración de valores que recupera familias enteras de testigos y un método de gradiente de política que escala a grandes modelos de lenguaje, con MWRL recuperando la mayoría de los testigos mínimos donde otros métodos devuelven superconjuntos redundantes o un único testigo.