implicit reward

Определение

Вознаграждение, неявно моделируемое в Direct Preference Optimization (DPO) через отношение вероятностей текущей и референсной политики, заменяющее явную модель вознаграждения.

Где встречается

• 335. Как работает Direct Preference Optimization (DPO) в деталях (потеря, градиенты)
• 800+ вопросов

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление