Дообученное обучение с подкреплением
Дообученное обучение с подкреплением адаптирует предварительно обученную политику или модель к новой задаче или поведенческой цели, используя сигналы подкрепления — включая обратную связь от человека — вместо переобучения с нуля. Популяризированное RLHF, это основной метод согласования больших языковых моделей и адаптации агентов глубокого обучения с подкреплением к специализированным средам с минимальным количеством дополнительных данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/ru/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.
- Дообученная классификация на основе BERTГлубокое обучение↔ compare
- Дообученный ТрансформерГлубокое обучение↔ compare
- Обучение с подкреплениемГлубокое обучение↔ compare
- Самообучающееся обучение с подкреплениемГлубокое обучение↔ compare
- Обучение с переносом и обучение с подкреплениемГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →