研究人员开发了保守的上下文对决土匪(conservative contextual dueling bandits)的新算法,旨在从成对比较中学习,同时遵守基线约束。这些算法 MaxInP-BC 和 BTIGW-BC 确保显示项的分数保持在可信基线的指定分数范围内,这是诸如使用人类偏好对语言模型进行微调等应用的关键功能。实验表明,这些保守方法满足了约束条件,而无约束的对应方法经常违反这些条件,且仅导致适度的遗憾增加。 AI
影响 这些算法可以提高从人类反馈中学习的 AI 系统(如大型语言模型)的安全性和可靠性。
排序理由 学术论文,详细介绍偏好学习的新算法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- BTIGW-BC
- CatalyzeX
- CLUCB
- Conservative Dueling Bandits
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- MaxInP-BC
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →