实体
Yuki Ichihara
Yuki Ichihara
PulseAugur coverage of Yuki Ichihara — every cluster mentioning Yuki Ichihara 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
最近 · 第 1/1 页 · 共 2 条
-
新的C-GRPO方法优化文本生成，降低推理成本
研究人员推出了一种新颖的文本生成方法——共识组相对策略优化（C-GRPO），旨在降低与样本重排序解码相关的计算成本。与通常需要黄金参考或显式偏好数据的先前方法不同，C-GRPO仅使用效用函数和策略样本将最小贝叶斯风险（MBR）解码提炼到训练中。所提出的目标函数被证明与MBR解码的期望效用目标一致，并提供了收敛保证。在机器翻译和文本摘要任务上的实验表明，C-GRPO在性能上可与MBR解码相媲美，同时优于其他无参考方法。
-
新的MO-GRPO算法解决了多目标强化学习中的奖励破解问题
研究人员推出了一种名为MO-GRPO的新算法，旨在解决多目标强化学习中的奖励破解问题。该新方法通过引入一种简单的归一化技术，根据奖励函数的值方差自动重新加权奖励函数，从而扩展了群体相对策略优化（GRPO）。MO-GRPO确保所有目标在损失函数中做出公平的贡献，无需手动缩放即可保持偏好顺序。在多臂老虎机、模拟控制任务、机器翻译和指令遵循等多个领域的实验评估表明，MO-GRPO能够实现稳定的学习，并且优于标准的GRPO。