ScholarGate
সহকারী

পদ্ধতির তুলনা করুন

নির্বাচিত পদ্ধতিগুলো পাশাপাশি পর্যালোচনা করুন; যে সারিগুলোয় পার্থক্য আছে সেগুলো চিহ্নিত করা হয়।

সূক্ষ্ম-সমন্বিত রিইনফোর্সমেন্ট লার্নিং×রিইনফোর্সমেন্ট লার্নিং সহ ট্রান্সফার লার্নিং×
ক্ষেত্রগভীর শিখনগভীর শিখন
পরিবারMachine learningMachine learning
উদ্ভবের বছর2017–20222009 (survey); concept from early 2000s
প্রবর্তকChristiano, P. et al.; Ouyang, L. et al.Taylor, M. E. & Stone, P.
ধরনPolicy adaptation via fine-tuningTransfer learning paradigm for sequential decision-making
মৌলিক উৎসOuyang, 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 ↗Taylor, M. E., & Stone, P. (2009). Transfer Learning for Reinforcement Learning Domains: A Survey. Journal of Machine Learning Research, 10, 1633–1685. link ↗
অপর নামRL fine-tuning, policy fine-tuning, RLHF, reinforcement learning from human feedbackTransfer RL, TL for RL, cross-task reinforcement learning, inductive transfer in RL
সম্পর্কিত54
সারসংক্ষেপFine-Tuned Reinforcement Learning adapts a pre-trained policy or model to a new task or behavioral objective using reinforcement signals — including human feedback — rather than retraining from scratch. Popularized by RLHF, it is the core technique behind aligning large language models and adapting deep RL agents to specialized environments with minimal additional data.Transfer Learning with Reinforcement Learning (Transfer RL) is a training paradigm in which knowledge acquired by an agent in one or more source tasks — encoded as policy weights, value functions, or learned representations — is reused to accelerate or improve learning in a related but different target task. It directly addresses the sample-inefficiency that plagues reinforcement learning from scratch in complex or expensive environments.
ScholarGateডেটাসেট
  1. v1
  2. 2 উৎস
  3. PUBLISHED
  1. v1
  2. 2 উৎস
  3. PUBLISHED

অনুসন্ধানে যান স্লাইড ডাউনলোড করুন

ScholarGateপদ্ধতির তুলনা করুন: Fine-Tuned Reinforcement Learning · Transfer Learning with Reinforcement Learning. 2026-06-18 তারিখে সংগৃহীত, উৎস: https://scholargate.app/bn/compare