实体
Dupo
Dupo
PulseAugur coverage of Dupo — every cluster mentioning Dupo across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的DUPO方法利用扩散模型改进强化学习
研究人员推出了一种新方法，称为扩散引导的不确定性感知延迟策略优化（DUPO），以解决由延迟反馈引起的强化学习性能下降问题。DUPO使用扩散模型显式地建模延迟状态与当前状态之间的关系，从而能够估计差异并相应地加权延迟策略。在机器人控制任务上的实验表明，DUPO在超越现有方法方面非常有效，尤其是在具有长期和随机延迟的场景中。
-
DVPO和EVPO通过新颖的RL优化技术推进LLM训练后
研究人员引入了DVPO，这是一个新的强化学习框架，旨在改进大型语言模型（LLM）的训练后，特别是在处理嘈杂或不完整的监督信号时。DVPO利用分布值建模和不对称风险正则化来平衡鲁棒性和泛化性，旨在避免现有方法可能产生的过于保守的策略。在对话、数学推理和科学问答任务上的实验表明，在嘈杂条件下，DVPO的表现优于PPO和GRPO等标准方法。