PulseAugur
中
实时 13:44:41
实体 Group Pareto-Dominance Policy Optimization

Group Pareto-Dominance Policy Optimization

PulseAugur coverage of Group Pareto-Dominance Policy Optimization — every cluster mentioning Group Pareto-Dominance Policy Optimization across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
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 1 条
  1. TOOL · CL_324838 ·

    新的GPDPO方法通过处理冲突奖励来改进LLM训练

    研究人员推出了一种名为Group Pareto-Dominance Policy Optimization (GPDPO)的新方法,用于训练具有多个潜在冲突奖励信号的大型语言模型(LLM)。GPDPO通过识别采样响应之间的帕累托支配关系,并将其转换为辅助偏好信号,来解决优化方向模糊的挑战。这种方法无需额外的采样或奖励评估,即可更有效地重用现有训练数据,API-Bank基准测试的实验证明了这一点。