Aprendizado por Reforço Ajustado (Fine-Tuned Reinforcement Learning)
O Aprendizado por Reforço Ajustado adapta uma política ou modelo pré-treinado para uma nova tarefa ou objetivo comportamental usando sinais de reforço — incluindo feedback humano — em vez de retreinar do zero. Popularizado pelo RLHF, é a técnica central por trás do alinhamento de grandes modelos de linguagem e da adaptação de agentes de RL profundo a ambientes especializados com dados adicionais mínimos.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/pt/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.
- Classificação Fina Ajustada Baseada em BERTAprendizado profundo↔ compare
- Transformer Ajustado FinamenteAprendizado profundo↔ compare
- Aprendizagem por ReforçoAprendizado profundo↔ compare
- Aprendizagem por Reforço AutossupervisionadaAprendizado profundo↔ compare
- Transfer Learning com Aprendizado por ReforçoAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →