Доопрацьоване навчання з підкріпленням
Доопрацьоване навчання з підкріпленням адаптує попередньо навчену політику або модель до нового завдання чи поведінкової мети за допомогою сигналів підкріплення — включно з людським зворотним зв'язком — замість перенавчання з нуля. Популяризоване RLHF, це основний метод вирівнювання великих мовних моделей та адаптації агентів глибокого навчання з підкріпленням до спеціалізованих середовищ з мінімальною кількістю додаткових даних.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/uk/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.
- Класифікація на основі доналаштованого BERTГлибоке навчання↔ compare
- Трансформер з доналаштуваннямГлибоке навчання↔ compare
- Навчання з підкріпленнямГлибоке навчання↔ compare
- Навчання з підкріпленням на основі самонавчанняГлибоке навчання↔ compare
- Навчання з перенесенням на основі навчання з підкріпленнямГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →