#reinforcement learning with verifiable rewards のAIニュース

自己視点動画理解モデルにおける時間的意識のインセンティブ化に関する研究

Apple Machine Learning は、自己視点動画において時間的な順序認識が不足する問題に対し、時間的全球方策最適化（TGPO）という新しい手法を提案し、時間推論を明示的に強化するトレーニング目標を導入した。