Finomhangolt megerősítéses tanulás
A finomhangolt megerősítéses tanulás (Fine-Tuned Reinforcement Learning) egy előképzett politikai vagy modell adaptálását végzi el egy új feladatra vagy viselkedési célra, megerősítési jelzések – beleértve az emberi visszajelzést is – felhasználásával, ahelyett, hogy a nulláról indítaná az újratanítást. Az RLHF (Reinforcement Learning from Human Feedback) által népszerűsített technika az alapvető eljárás a nagy nyelvi modellek igazítása mögött, és a mély megerősítéses tanulási (Deep RL) ügynökök specializált környezetekhez való adaptálásában, minimális további adattal.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/hu/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.
- Finomhangolt BERT-alapú osztályozásMélytanulás↔ compare
- Finomhangolt TransformerMélytanulás↔ compare
- Megerősítéses tanulásMélytanulás↔ compare
- Önfeltérképező megerősítéses tanulásMélytanulás↔ compare
- Transzfer Tanulás Reinforcement LearninggelMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →