Mga Papel at Pananaliksik

RVPO: Risk-sensitive alignment batay sa variance regularization

Orihinal na pamagat:RVPO: Risk-Sensitive Alignment via Variance Regularization

AI summary

Ang umiiral na critic-free RLHF methods ay nag-aaggregate ng multi-objective rewards sa pamamagitan ng arithmetic mean, na madaling magdulot ng constraint neglect: ang mataas na score sa isang objective ay maaaring magtago ng malubhang pagkabigo sa iba pang mahalagang objectives (tulad ng safety o format), at sa gayon ay itago ang low-performance bottleneck rewards na nakakaapekto sa reliable alignment. Iminumungkahi ng pag-aaral na ito ang Reward Variance Policy Optimization (RVPO), isang risk-sensitive framework na nagpaparusa sa variance sa pagitan ng rewards sa advantage aggregation, na binabago ang optimization objective mula sa "maximize the sum" tungo sa "maximize consistency". Ipinapakita ng analysis na epektibong natutukoy at napapabuti ng RVPO ang kontribusyon ng bottleneck rewards, na nakakamit ng mas balanseng policy optimization sa multi-objective alignment tasks tulad ng safety at format compliance.

Mahahalagang impormasyon

  • Ang umiiral na critic-free RLHF methods ay nag-aaggregate ng multi-objective rewards sa…
  • Iminumungkahi ng pag-aaral na ito ang Reward Variance Policy Optimization (RVPO),isang…
  • Ipinapakita ng analysis na epektibong natutukoy at napapabuti ng RVPO ang kontribusyon ng…

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
Apple Machine Learning Research(RSS)
Kategorya
Mga Papel at Pananaliksik
AI na marka
68
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

当多数RLHF在‘求总分’,这篇Apple论文告诉你得分方差也致命,做安全对齐的人会看到新的损失函数怎么把一致性也纳入训练目标。

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: RVPO: Risk-sensitive alignment batay sa variance regularization. 8 Mayo 2026. https://new.nat6.net/fil/news/cmox787mj007fslfoi53rqpks/

Tingnan lahat →