Jemne doladené učenie s posilňovaním
Jemne doladené učenie s posilňovaním adaptuje predtrénovanú politiku alebo model na novú úlohu alebo behaviorálny cieľ pomocou signálov posilňovania — vrátane spätnej väzby od ľudí — namiesto opätovného trénovania od začiatku. Popularizované RLHF, je to základná technika, ktorá stojí za zosúladením rozsiahlych jazykových modelov a adaptáciou hlbokých RL agentov na špecializované prostredia s minimálnym dodatočným množstvom údajov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/sk/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.
- Jemne doladená klasifikácia založená na BERTHlboké učenie↔ compare
- Jemne vyladený TransformerHlboké učenie↔ compare
- Reinforcement LearningHlboké učenie↔ compare
- Reinforcement Learning so SamoučenímHlboké učenie↔ compare
- Prenosové učenie s posilňovaným učenímHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →