Học tăng cường tinh chỉnh (Fine-Tuned Reinforcement Learning)
Học tăng cường tinh chỉnh (Fine-Tuned Reinforcement Learning) điều chỉnh một chính sách hoặc mô hình được huấn luyện trước cho một tác vụ hoặc mục tiêu hành vi mới bằng cách sử dụng các tín hiệu tăng cường — bao gồm cả phản hồi của con người — thay vì huấn luyện lại từ đầu. Được phổ biến bởi RLHF, đây là kỹ thuật cốt lõi đằng sau việc căn chỉnh các mô hình ngôn ngữ lớn và điều chỉnh các tác nhân học tăng cường sâu (deep RL agents) cho các môi trường chuyên biệt với ít dữ liệu bổ sung.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Fine-Tuned Reinforcement Learning (Policy Adaptation via Fine-Tuning). ScholarGate. https://scholargate.app/vi/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.
- Phân loại dựa trên BERT tinh chỉnhHọc sâu↔ compare
- Transformer tinh chỉnhHọc sâu↔ compare
- Học tăng cườngHọc sâu↔ compare
- Học tăng cường tự giám sátHọc sâu↔ compare
- Học chuyển giao với Học tăng cườngHọc sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →