প্রত্যক্ষ পছন্দ অপ্টিমাইজেশন
প্রত্যক্ষ পছন্দ অপ্টিমাইজেশন (DPO) হল একটি প্রশিক্ষণ পদ্ধতি যা Rafailov et al. ২০২৩ সালে চালু করেছিলেন। এটি কোনো সুস্পষ্ট পুরস্কার মডেলের প্রয়োজন ছাড়াই ভাষা মডেলগুলিকে মানুষের পছন্দের সাথে সামঞ্জস্যপূর্ণ করে। সরাসরি পছন্দের জোড়া (উন্নত প্রতিক্রিয়া বনাম খারাপ প্রতিক্রিয়া) অপ্টিমাইজ করার মাধ্যমে, DPO মানুষের প্রতিক্রিয়া থেকে প্রাপ্ত শক্তিশালী শিক্ষার (RLHF) তুলনায় প্রশিক্ষণ পাইপলাইনকে সহজ করে তোলে।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- Rafailov, R., Sharma, A., Mitchell, E., Manning, C. D., Ermon, S., & Finn, C. (2023). Direct preference optimization: Your language model is secretly a reward model. arXiv preprint arXiv:2305.18290. link ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 3). Direct Preference Optimization: Your Language Model is Secretly a Reward Model. ScholarGate. https://scholargate.app/bn/deep-learning/direct-preference-optimization
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.
- Latent Diffusion Modelsগভীর শিখন↔ compare
- মাম্বা (স্টেট স্পেস মডেল)গভীর শিখন↔ compare
- মাস্কড অটোএনকোডারগভীর শিখন↔ compare
- QLoRAগভীর শিখন↔ compare
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →