क्या है? मानव प्रतिक्रिया से सुदृढीकरण सीखना (आरएलएचएफ)?

इनाम संकेतों द्वारा प्रशिक्षण जहां एक एजेंट ऐसे कार्य सीखता है जो दीर्घकालिक रिटर्न को अधिकतम करते हैं।

एक मॉडल जो वरीयता संकेतों के आधार पर आउटपुट स्कोर करता है, अक्सर आरएलएचएफ पाइपलाइनों में उपयोग किया जाता है।

एक प्रशिक्षण पद्धति जो अलग-अलग पुरस्कार मॉडल की आवश्यकता के बिना सीधे वरीयता जोड़े पर मॉडल को ठीक करती है।

प्रशिक्षण दृष्टिकोण जो एक मॉडल को पूर्व ज्ञान को भूले बिना नए डेटा से सीखते रहने देते हैं।

केवल कुछ उदाहरणों से व्यवहार सीखना या अपनाना।

वास्तविक दुनिया की स्थितियाँ प्रशिक्षण मान्यताओं से भिन्न होने के कारण समय के साथ प्रदर्शन में गिरावट आती है।