entropy bonus

Определение

Дополнительный член в функции потерь PPO, поощряющий высокую энтропию политики агента для стимуляции исследования и предотвращения преждевременной сходимости к детерминированному поведению.

Где встречается

• 339. Как работает алгоритм ReST (Reinforced Self-Training) и когда он лучше PPO
• 873. Как детектировать reward hacking в RLHF

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление