2023年11月9日
PbRL | PEBBLE：通过 human preference 学习 reward model
摘要： ① 使用熵 intrinsic reward 的 agent pre-training，② 选择尽可能 informative 的 queries 去获取 preference，③ 使用更新后的 reward model 对 replay buffer 进行 relabel。 阅读全文
posted @ 2023-11-09 20:40 MoonOut 阅读(224) 评论(0) 推荐(0) 编辑