实体
Inverse Propensity Scoring
Inverse Propensity Scoring
PulseAugur coverage of Inverse Propensity Scoring — every cluster mentioning Inverse Propensity Scoring across labs, papers, and developer communities, ranked by signal.
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
最近 · 第 1/1 页 · 共 2 条
-
新的自适应双重稳健方法增强了排序策略的离线策略评估
研究人员推出了一种用于排序策略离线策略评估（OPE）的新方法——自适应双重稳健（ADR）。ADR旨在减少现有OPE技术（如逆倾向评分（IPS）、独立IPS（IIPS）和奖励交互IPS（RIPS））固有的方差和偏差。通过自适应地边际化重要性权重并结合奖励回归，通过控制变量校正，ADR在合成实验中证明了比以前的方法有更低的均方误差。
-
新的 DRA-GRPO 方法通过鼓励多样化路径来提升 LLM 数学推理能力
研究人员推出了一种新颖的 DRA-GRPO 框架，旨在通过解决标准 GRPO 方法中固有的多样性-质量不一致性来增强大型语言模型的数学推理能力。这种新方法使用语义密度和子模互信息来校准奖励信号，以消除梯度估计的偏差，鼓励模型探索更广泛的有效推理策略。在五个数学基准上的实证结果表明，DRA-GRPO 的性能显著优于现有方法，在训练样本数量有限且成本较低的情况下，在 DeepSeek-R1-Distill-Qwen-1.5B 数据集上达到…