Μάθηση Νέα Εργαλεία Θέσεις εργασίας Αποστολή

Όρος Γλωσσάρι AI

Τι είναι Ενισχυτική μάθηση από την ανθρώπινη ανατροφοδότηση (RLHF);

Ορισμός

Μια μέθοδος εκπαίδευσης που χρησιμοποιεί σήματα ανθρώπινης προτίμησης για να διαμορφώσει τη συμπεριφορά του μοντέλου.

Περιηγηθείτε στο πλήρες Γλωσσάρι AI Εξερευνήστε όλους τους δωρεάν οδηγούς AI

Ενισχυτική ΜάθησηΗ εκπαίδευση μέσω ανταμοιβής σηματοδοτεί όπου ένας πράκτορας μαθαίνει ενέργειες που μεγιστοποιούν τη μακροπρόθεσμη απόδοση.Μοντέλο ανταμοιβήςΈνα μοντέλο που βαθμολογεί τις εξόδους με βάση τα σήματα προτίμησης, που χρησιμοποιείται συχνά σε αγωγούς RLHF.DPO (Άμεση βελτιστοποίηση προτιμήσεων)Μια μέθοδος εκπαίδευσης που προσαρμόζει τα μοντέλα απευθείας σε ζεύγη προτιμήσεων χωρίς να χρειάζεται ξεχωριστό μοντέλο ανταμοιβής.Συνεχής ΜάθησηΠροσεγγίσεις εκπαίδευσης που επιτρέπουν σε ένα μοντέλο να συνεχίσει να μαθαίνει από νέα δεδομένα χωρίς να ξεχνά την προηγούμενη γνώση.Εκμάθηση λίγων βολώνΕκμάθηση ή προσαρμογή συμπεριφοράς μόνο από ένα μικρό αριθμό παραδειγμάτων.Μοντέλο DriftΥποβάθμιση της απόδοσης με την πάροδο του χρόνου καθώς οι πραγματικές συνθήκες αποκλίνουν από τις υποθέσεις εκπαίδευσης.

Μάθετε περισσότερα στους δωρεάν οδηγούς μας

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

Δείτε επίσης

Retrieval Red Teaming Recommendation System Robustness Recall Safety Filter RAG (Retrieval-Augmented Generation)Scaling Law