#policy optimization のAIニュース

Hugging Face、多報酬ポリシー最適化における飽和意識型アバウンテージ再重み付け手法を論文公開

Hugging Face は、言語モデルの事後学習において複数の報酬目的を最適化する既存手法が抱える課題を指摘し、報酬プロファイルの違いを区別できる「飽和意識型アバウンテージ再重み付け」手法を提案した。