Prejsť na obsahScholarGate
KnižnicaMoja knižnicaStôlReview StudioAsistent
Prihlásiť sa
Direct Preference Optimization/Dôkaz
Záznam dôkazov metódy

Direct Preference Optimization

Direct Preference Optimization (DPO) is a training method introduced by Rafailov et al. in 2023 that aligns language models with human preferences without requiring an explicit reward model. By directly optimizing for preference pairs (better response vs worse response), DPO simplifies the training pipeline compared to reinforcement learning from human feedback (RLHF).

Sources recorded, not reviewed

Zdrojový záznam

Citácie skopírované doslovne zo zdrojového záznamu metódy. Nevyplýva z nich žiadne overenie na úrovni tvrdenia.

Direct Preference Optimization: Your Language Model is Secretly a Reward Model
Taxonomický záznam metódy · ml-model / deep-learning
  • Rafailov, R., Sharma, A., Mitchell, E., Manning, C. D., Ermon, S., & Finn, C. (2023). Direct preference optimization: Your language model is secretly a reward model. arXiv preprint arXiv:2305.18290. · URL
Otvoriť celú metódu

Spracované tvrdenia

Tvrdenia uložené v registri dôkazov, každé s vlastným hodnotením.

Zatiaľ žiadne spracované tvrdenia

Tento pohľad nevymýšľa hodnotenie tvrdenia, ak register žiadne nemá.

Súvisiace metódy

Vygenerované z grafu metód a zobrazené ako vzťahy navrhnuté strojom – nevyplýva z nich žiadne tvrdenie o dôkaze.

Same method familyLatent Diffusion Modelsmachine-suggested · Relational suggestion, not evidence.Same method familyMamba (State Space Model)machine-suggested · Relational suggestion, not evidence.Same method familyMasked Autoencodersmachine-suggested · Relational suggestion, not evidence.Same method familyQLoRAmachine-suggested · Relational suggestion, not evidence.

Stav dôkazu

Sources recorded, not reviewed

Bibliographic sources are present. Claim-level evidence review has not been performed.

Zdroje

1 zaznamenaná citácia, skopírovaná zo zdrojového záznamu metódy.

Akcie

Otvoriť stránku metódy
ScholarGate

Referenčná knižnica výskumných metód, v ktorej je obsah na prvom mieste — čo každá metóda je, ako funguje a odkiaľ pochádza.

Otvorené dáta (CC-BY)

Objavovať

  • Knižnica
  • Hľadať metódy…
  • Prehliadať podľa odborov
  • Odbory
  • Cesta
  • Porovnať
  • Ktorá metóda?

Referencie

  • Odbory
  • Atlas
  • Slovník pojmov
  • Metodológia
  • Filozofia

Pracovný priestor

  • Moja knižnica
  • Stôl
  • Chat

Spoločnosť

  • O knižnici
  • Cenník
  • Kontakt
  • Navrhnúť metódu

Záznamy sú zostavené z publikovaných zdrojov a slúžia na referenčné účely. Overenie správnosti a vhodnosti akýchkoľvek informácií pre vaše vlastné použitie zostáva vašou zodpovednosťou.

© 2026 ScholarGate · Referenčná knižnica výskumných metód
  • Súkromie
  • Súbory cookie
Podmienky
  • Odstrániť účet