Βελτιστοποίηση Άμεσης Προτίμησης
Η Βελτιστοποίηση Άμεσης Προτίμησης (DPO) είναι μια μέθοδος εκπαίδευσης που εισήχθη από τους Rafailov et al. το 2023, η οποία ευθυγραμμίζει γλωσσικά μοντέλα με ανθρώπινες προτιμήσεις χωρίς να απαιτείται ρητό μοντέλο ανταμοιβής. Βελτιστοποιώντας άμεσα για ζεύγη προτιμήσεων (καλύτερη απόκριση έναντι χειρότερης απόκρισης), η DPO απλοποιεί την αγωγή εκπαίδευσης σε σύγκριση με την ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (RLHF).
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Direct Preference Optimization: Your Language Model is Secretly a Reward Model. ScholarGate. https://scholargate.app/el/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.
- Μοντέλα Διάχυσης σε Λανθάνοντα ΧώροΒαθιά Μάθηση↔ compare
- Mamba (Μοντέλο Χώρου Καταστάσεων)Βαθιά Μάθηση↔ compare
- Μασκοφόροι ΑυτοκωδικοποιητέςΒαθιά Μάθηση↔ compare
- QLoRAΒαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →