Suora mieltymysoptimointi
Suora mieltymysoptimointi (DPO) on Rafailov et al.in vuonna 2023 esittelemä koulutusmenetelmä, joka kohdistaa kielimallit ihmisten mieltymyksiin ilman eksplisiittistä palkkiomallia. Optimoimalla suoraan mieltymyspareja (parempi vastaus vs. huonompi vastaus) DPO yksinkertaistaa koulutusputkea verrattuna ihmispalautteesta oppivaan vahvistusoppimiseen (RLHF).
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Direct Preference Optimization: Your Language Model is Secretly a Reward Model. ScholarGate. https://scholargate.app/fi/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 ModelsSyväoppiminen↔ compare
- Mamba (tilamallimalli)Syväoppiminen↔ compare
- Masked AutoencodersSyväoppiminen↔ compare
- QLoRASyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →