Belajar Berita Alat Pekerjaan Misi

Istilah Glosari AI

Apakah Pembelajaran Pengukuhan daripada Maklum Balas Manusia (RLHF)?

Definisi

Kaedah latihan yang menggunakan isyarat keutamaan manusia untuk membentuk tingkah laku model.

Semak imbas Glosari AI penuh Terokai semua panduan AI percuma

Pembelajaran PengukuhanLatihan melalui isyarat ganjaran di mana ejen mempelajari tindakan yang memaksimumkan pulangan jangka panjang.Model GanjaranModel yang menjaringkan output berdasarkan isyarat keutamaan, sering digunakan dalam saluran paip RLHF.DPO (Pengoptimuman Keutamaan Langsung)Kaedah latihan yang memperhalusi model secara langsung pada pasangan pilihan tanpa memerlukan model ganjaran yang berasingan.Pembelajaran BerterusanPendekatan latihan yang membolehkan model terus belajar daripada data baharu tanpa melupakan pengetahuan terdahulu.Pembelajaran Sedikit PukulanMempelajari atau menyesuaikan tingkah laku daripada hanya sebilangan kecil contoh.Hanyutan ModelKemerosotan prestasi dari semasa ke semasa kerana keadaan dunia sebenar menyimpang daripada andaian latihan.

Ketahui lebih lanjut dalam panduan percuma kami

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

Lihat juga

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