Фино настроено обучение с подкрепление
Фино настроеното обучение с подкрепление адаптира предварително обучен модел или политика към нова задача или поведенческа цел, използвайки сигнали за подкрепление — включително човешка обратна връзка — вместо преобучение от нулата. Популяризирано от RLHF, то е основната техника зад привеждането в съответствие на големи езикови модели и адаптирането на дълбоки RL агенти към специализирани среди с минимални допълнителни данни.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730–27744. link ↗
- Christiano, P., Leike, J., Brown, T. B., Martic, M., Legg, S., & Amodei, D. (2017). Deep reinforcement learning from human preferences. Advances in Neural Information Processing Systems, 30. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/bg/deep-learning/fine-tuned-reinforcement-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Класификация, базирана на фино настроен BERTДълбоко обучение↔ compare
- Фино настройване на ТрансформърДълбоко обучение↔ compare
- Обучение с подкреплениеДълбоко обучение↔ compare
- Самообучаващо се подсилващо обучениеДълбоко обучение↔ compare
- Трансферно обучение с обучение с подсилванеДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →