Finjustert forsterkningslæring
Finjustert forsterkningslæring tilpasser en forhåndstrent policy eller modell til en ny oppgave eller atferdsmål ved hjelp av forsterkningssignaler — inkludert menneskelig tilbakemelding — i stedet for å trene på nytt fra bunnen av. Popularisert av RLHF, er det kjerneteknikken bak justering av store språkmodeller og tilpasning av dype RL-agenter til spesialiserte miljøer med minimalt med tilleggsdata.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/no/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.
- Finputilpasset BERT-basert klassifiseringDyp læring↔ compare
- Finetunet transformatorDyp læring↔ compare
- ForsterkningslæringDyp læring↔ compare
- Selv-overvåket forsterkningslæringDyp læring↔ compare
- Overføringslæring med forsterkningslæringDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →