Multi-Marginal Preference Optimization

新的MMPO框架增强了多目标强化学习

研究人员引入了多边际偏好优化（MMPO），这是一个旨在解决多目标强化学习（MORL）挑战的新框架。MMPO通过在数据、梯度和约束层面进行干预，超越了传统的线性标量化方法，解决了稀疏奖励、奖励冲突和指标振荡等问题。该框架包括用于稀疏奖励的暴露去偏、用于管理冲突梯度的优先级感知正交投影，以及用于平衡目标的自提示梯度约束。在电子商务数据集上的实验表明，MMPO能够提高训练稳定性和跨冲突指标的性能，并在ToolRL和代码生成等任务中得到进一步验证。