Follow-Your-Preference: Towards Preference-Aligned Image Inpainting
The University of Tokyo(东京大学);Zhejiang University(浙江大学);Tsinghua University(清华大学)
该研究面向偏好对齐图像修复,系统评估奖励模型与直接偏好优化,发现简单集成可缓解偏差并显著提升修复效果。
2025-09-27 cs.CV
The Reward Was in Your Data All Along: Correcting Flow Matching with Discriminator-Guided RL
FAIR at Meta;Columbia University;Mila -- Qu\' e bec AI Institute;McGill University;Canada CIFAR AI Chair
针对流匹配模型因损失函数与样本质量不匹配导致的视觉缺陷,提出判别器引导的强化学习(DRL),利用预训练空间中判别器的logit作为奖励,显著提升无引导FID和语义FD,并改善偏好对齐。
2026-06-18 cs.CV cs.LG
LatSearch: Latent Reward-Guided Search for Faster Inference-Time Scaling in Video Diffusion
本文提出LatSearch,通过潜在奖励引导的重采样和剪枝机制,提升视频扩散的推理效率和生成质量,验证其在VBench-2.0基准上的优越性。
2026-06-28 cs.CV
Can We Perform Online RL for Image Editing without Editing Rewards?
本文提出Lever-Edit框架,将文本到图像(T2I)奖励生态系统迁移至图像编辑,在无编辑奖励的情况下优化编辑策略,实验效果优于直观迁移基线且接近基于编辑奖励的微调。
2026-08-25 cs.CV
ImageReFL: Balancing Quality and Diversity in Human-Aligned Diffusion Models
HSE University(圣彼得堡国立大学);AIRI;Sber;Innopolis
本文提出combined generation采样策略和ImageReFL微调方法,通过在生成后期应用奖励模型并结合真实图像与多正则化器训练,有效平衡了扩散模型的人类偏好对齐与图像多样性。
2025-05-28 cs.CV
FR-TTS: Test-Time Scaling for NTP-based Image Generation with Effective Filling-based Reward Signal
MoE Key Lab of BIPC, USTC(信息与通信技术联合实验室,中国科学技术大学);Beihang University(北京航空航天大学)
FR-TTS通过有效填充奖励信号提升NTP图像生成的测试时扩展性能。
2025-11-29 cs.AI cs.CV
EditReward: A Human-Aligned Reward Model for Instruction-Guided Image Editing
University of Waterloo(滑铁卢大学);McGill University(麦吉尔大学);Independent(独立研究者)
EditReward是一种基于人类偏好的奖励模型,通过大规模标注数据提升图像编辑任务的质量与性能,展示了在指令引导图像编辑中的卓越对齐能力。
2026-02-28 cs.AI cs.CL cs.CV
A General Framework for Inference-time Scaling and Steering of Diffusion Models
Department of Computer Science, New York University(纽约大学计算机科学系);Columbia University(哥伦比亚大学);Center for Data Science, New York University(纽约大学数据科学中心)
本文提出 Feynman-Kac 引导框架,通过在推理时对多个扩散粒子进行基于势函数的重采样,无需训练即可利用奖励函数引导扩散模型,在文本到图像和文本生成任务上取得了优于微调模型的质量与可控性。
2025-07-18 cs.CL cs.CV cs.LG
PSR: Scaling Multi-Subject Personalized Image Generation with Pairwise Subject-Consistency Rewards
Zhejiang University(浙江大学);Huawei Inc.(华为技术有限公司)
本文提出PSR框架,通过多主体数据生成管道和强化学习策略,提升多主体个性化图像生成的性能和一致性。
2026-04-09 cs.CV
RewardSDS: Aligning Score Distillation via Reward-Weighted Sampling
Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本文提出RewardSDS,利用奖励模型的对齐分数加权噪声样本以改进分数蒸馏,并扩展为RewardVSD,在图像、编辑和3D生成任务上显著提升质量与意图对齐。
2025-03-13 cs.CV
Rethinking Test Time Scaling for Flow-Matching Generative Models
Australian National University(澳大利亚国立大学);Amazon Research(亚马逊研究院)
本文提出DOG-Trim方法,通过Repel和NARF提升测试时间扩展效果,解决流匹配模型中全局搜索的挑战,实现性能提升。
2026-03-20 cs.CV
HPSv3++: Scaling Reward Models Across the Full Spectrum of Diffusion Model Capabilities
Tsinghua University(清华大学);JD Explore Academy(京东探索研究院);Peking University(北京大学);Zhejiang University(浙江大学)
提出HPSv3++奖励模型框架,通过双维度偏好数据集HPDv3++和两阶段训练(正交梯度投影+无监督引导),提升对各类T2I模型及RL迭代的偏好预测能力,在多个基准上达到最优。
2026-06-15 cs.CV
Test-Time Weak-to-Strong Alignment: Transferring Implicit Rewards from Weak to Strong Flow Models
University of New South Wales (UNSW Sydney)(新南威尔士大学)
提出AlignGraft方法,利用弱模型对的隐式奖励信号在测试时对齐冻结的大规模流模型,无需奖励函数,可跨规模迁移并提升偏好、组合和文本渲染性能。
2026-09-09 cs.CV
Scaling Multi-Reference Image Generation with Dynamic Reward Optimization
Harbin Institute of Technology(哈尔滨工业大学);Independent Researcher(独立研究者);Shenzhen Loop Area Institute(深圳河套学院)
提出OmniRef-Bench基准和DyRef两阶段训练框架,通过动态奖励优化解决多参考图像生成中参考图像类型和数量增加导致的性能下降问题。
2026-06-26 cs.AI cs.CV
CARINOX: Inference-time Scaling with Category-Aware Reward-based Initial Noise Optimization and Exploration
Sharif University of Technology(谢里夫理工大学)
本文提出CARINOX框架,结合噪声优化与探索,通过基于人类判断的奖励选择提升文本到图像扩散模型的对齐性能,在两个基准测试中分别提升16%和11%。
2026-09-09 cs.CL cs.CV
Test-time Alignment of Diffusion Models without Reward Over-optimization
Seoul National University(首尔大学);KRAFTON(克拉夫顿公司)
针对扩散模型目标对齐时的奖励过优化与引导方法低效问题,提出基于序贯蒙特卡罗(SMC)的无训练测试时方法,融入回火技术,在保持多样性与泛化性的同时,目标奖励与微调相当或更优,适用于多场景。
2025-04-17 cs.AI cs.CV cs.LG
Inference-Time Scaling for Joint Audio-Video Generation
Korea Advanced Institute of Science and Technology(韩国科学技术院);Luma AI
针对联合音视频生成中多目标优化的挑战,提出多验证器框架与自适应奖励加权算法,在无需额外训练的情况下显著提升语义对齐、感知质量和音视频同步。
2026-06-02 cs.CV cs.MM cs.SD
A Framework for Designing Reward Functions: From Objectives to Features to Human-Aligned Reward Functions
该研究提出一套三步式奖励函数设计框架,首次将奖励项选择简化为因果DAG上的最小成本部分覆盖问题,能保持无冲突可行权重区域,为非专家设计人类对齐的奖励函数提供了可行方案。
2026-08-13 cs.LG
Self-Aligned Reward: Towards Effective and Efficient Reasoners
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon Web Services(亚马逊网络服务)
本文提出自对齐奖励(SAR),通过补充可验证奖励以提升推理准确性和效率,实验表明SAR在4个模型7个基准上提升了4%的准确率并降低了30%的计算成本。
2026-04-16 cs.LG
Gradients Know What Outcomes Don't: Unlocking Reinforcement Learning for LLM Reasoning with Gradient-Aligned Rewards
Tsinghua University(清华大学);Renmin University of China(中国人民大学);Institute of Information Engineering, CAS(中国科学院信息工程研究所);USTC(中国科学技术大学);The Australian National University(澳大利亚国立大学);Peking University(北京大学);University of Macau(澳门大学)
该研究提出梯度对齐奖励(GAR)方法,在策略梯度空间中生成密集推理感知奖励,提升大语言模型在数学等基准上的推理性能,且无需领域特定数据即可迁移。
2026-09-04 cs.LG
CLIP-RLDrive: Human-Aligned Autonomous Driving via CLIP-Based Reward Shaping in Reinforcement Learning
Concordia University(康考迪亚大学)
本文提出CLIP-RLDrive框架,通过CLIP视觉语言模型构建基于视觉与文本线索的奖励模型,将自动驾驶决策与人类偏好对齐,解决了复杂城市场景中手动设计强化学习奖励模型的难题。
2024-12-17 cs.AI cs.LG cs.RO
Offline Reinforcement Learning using Human-Aligned Reward Labeling for Autonomous Emergency Braking in Occluded Pedestrian Crossing
CAV-Lab, School of Engineering(CAV实验室、工程学院);School of Artificial Intelligence and Computer Science(人工智能与计算机科学学院)
本文提出了一种生成人类对齐奖励标签的方法,用于提升自动驾驶车辆在遮挡行人横穿场景中的安全性能。
2026-01-23 cs.LG cs.RO
ReMoDetect: Reward Models Recognize Aligned LLM's Generations
Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出ReMoDetect方法,利用奖励模型检测对齐LLM生成文本,通过持续偏好微调和混合文本奖励建模提升检测性能,在六个文本领域和十二个LLM上达到最先进结果。
2024-11-07 cs.CL cs.LG
Personalized RewardBench: Evaluating Reward Models with Human Aligned Personalization
University of California, Davis(加州大学戴维斯分校)
本文提出个性化奖励基准,用于评估奖励模型对个性化偏好的建模能力,发现现有模型在个性化任务中表现不佳,且该基准在下游任务中具有更高的预测相关性。
2026-07-31 cs.CL cs.LG
Training Value-Aligned Reinforcement Learning Agents Using a Normative Prior
University of Kentucky(肯塔基大学);Georgia Institute of Technology(佐治亚理工学院)
随着越来越多的机器学习代理与人类交互,越来越多的人认为,经过训练以最佳方式执行任务的代理,仅使用任务性能作为反馈,可能会违反可接受行为的社会规范或造成伤害。价值对齐是智能代理的属性,其中它们只追求无害的行为或人类有益的目标。我们引入了一种价值取向的强化学习方法,在这种方法中,我们训练一个代理,有两个奖励信号:一个标准的任务绩效奖励,加上一个规范的行为奖励。规范性行为奖励来自先前示出的将文本分类为规范性或非规范性的值对齐的先验模型。我们展示了政策制定技术的变化如何平衡这两个奖励来源,并产生既有效又被认为更规范的政策。我们在三个基于文本的交互式世界上测试我们的价值对齐技术;每个世界都是专门设计来挑战代理人的任务,并提供偏离任务的机会来从事规范和/或利他行为。
2021-04-19 cs.AI cs.HC cs.LG
Reward-Aligned Reweighting for On-Policy Distillation
The University of Hong Kong(香港大学);Alibaba Group(阿里巴巴集团);University of Science and Technology of China(中国科学技术大学)
提出R²-OPD方法,通过结果一致性和教师-学生分歧动态重分配教师监督,解决在线蒸馏中均匀加权导致的决策效用不匹配,在数学推理和代码生成任务上显著提升学生模型性能。
2026-09-29 cs.LG
Reward-Aligned Distillation
UC San Diego(加州大学圣迭戈分校);Purdue University(普渡大学);AWS AI Labs(亚马逊云科技人工智能实验室);Amazon(亚马逊公司)
本文提出奖励对齐蒸馏(RAD)框架,通过双层框架基于蒸馏信号对学生模型奖励的预测效果加权,在竞赛数学和代码基准上显著提升了 Qwen 系列等大语言模型的性能。
2026-10-14 cs.CL cs.LG
Tree Reward-Aligned Search for TReASURe in Masked Diffusion Language Models
University of Science and Technology of China(中国科学技术大学);Fudan University(复旦大学)
针对掩码扩散语言模型树搜索中分支相关和奖励估计高方差问题,提出 TReASURe,通过 UnmaskBranch 与 ResubstituteScore 实现高效低方差测试时奖励对齐。
2025-09-27 cs.CL cs.LG
Best-of-Better-$N$: Generating Pre-Aligned Responses with In-Context Learning
JPMorganChase Global Technology Applied Research(摩根大通全球技术应用研究)
提出Best-of-Better-$N$框架应对响应质量限制问题,利用检索高奖励示例及重写步骤,通过上下文学习使预训练模型输出分布向高奖励区域转移,在安全对齐和数学推理基准测试中有更好表现。
2026-07-07 cs.AI cs.LG
Optimas: Optimizing Compound AI Systems with Globally Aligned Local Rewards
Stanford University(斯坦福大学);Amazon(亚马逊);Jožef Stefan Institute(乔泽夫·斯蒂芬研究所);Rutgers University(罗格斯大学)
Optimas通过全局对齐的局部奖励优化复合AI系统,有效提升复合系统的性能。
2026-02-09 cs.AI cs.LG
Advancing Safe Mechanical Ventilation Using Offline RL With Hybrid Actions and Clinically Aligned Rewards
Amazon(亚马逊)
本文提出了一种基于离线强化学习与混合动作空间的AI方法,通过临床对齐奖励函数优化机械通气设置,提升安全性和临床效果。
2026-01-15 cs.AI cs.LG
Scaling Laws for Reward Model Overoptimization
OpenAI(开放人工智能研究中心)
在基于人类反馈的强化学习中,通常会针对经过训练以预测人类偏好的奖励模型进行优化。由于奖励模型是一个不完美的代理,根据古德哈特定律,过度优化其价值可能会阻碍地面真实性能。这种效应经常被观察到,但由于收集人类偏好数据的费用而没有仔细测量。在这项工作中,我们使用一个合成的设置,其中一个固定的“黄金标准”奖励模型扮演人类的角色,提供标签用于训练代理奖励模型。我们研究了黄金奖励模型分数如何变化,因为我们使用强化学习或最佳$n$采样对代理奖励模型进行优化。我们发现,这种关系遵循不同的函数形式取决于优化的方法,在这两种情况下,其系数的规模顺利与奖励模型参数的数量。我们还研究了奖励模型数据集的大小、奖励模型和策略参数的数量以及在强化学习设置中添加到奖励的KL惩罚系数对这种关系的影响。我们探讨了这些实证结果对AI对齐理论考虑的影响。
2022-10-19 cs.LG stat.ML
Predicting and improving test-time scaling laws via reward tail-guided search
Department of Statistical Sciences, University of Toronto(多伦多大学统计科学系);Department of AI and Data Science, University of Hong Kong(香港大学人工智能与数据科学系)
本文提出通过奖励尾部引导搜索预测并改进LLM测试时间扩展规律,通过动态分配计算资源提升推理能力。
2026-02-01 cs.LG stat.ML
Test-Time Personalization: A Diagnostic Framework and Probabilistic Fix for Scaling Failures
King’s College London(伦敦国王学院);The Alan Turing Institute(艾伦·图灵研究所)
本文提出测试时个性化框架,通过采样候选策略模型并使用个性化奖励模型选择最佳方案,解决缩放失败问题,并推导出统一缩放定律以诊断用户级崩溃和查询级奖励黑客两种失败模式。
2026-05-09 cs.AI cs.LG
Revisiting scaling laws for reward optimization
MIT(麻省理工学院)
本研究提出奖励优化的缩放定律,性能随训练数据量与散度预算的平方根增长,并通过信息论模型和实验验证,揭示其与简单选择任务的类比。
2026-10-01 cs.AI cs.LG
Aligned, Orthogonal or In-conflict: When can we safely optimize Chain-of-Thought?
Google DeepMind(谷歌DeepMind)
本文探讨了在训练过程中思维链(CoT)的可监控性受训练影响的问题,提出了一种框架来预测何时以及为何发生冲突,并通过实验验证了正交和冲突奖励项对CoT监控性的影响。
2026-03-31 cs.AI cs.LG
STAIR: Addressing Stage Misalignment through Temporal-Aligned Preference Reinforcement Learning
Beijing Key Laboratory of Embodied Intelligence Systems, Department of Automation, Tsinghua University, Beijing, China(北京智能体智能系统重点实验室,自动化系,清华大学,北京,中国);The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing, China(复杂系统认知与决策智能重点实验室,自动化研究所,中国科学院,北京,中国)
针对PbRL在多阶段任务中因跨阶段偏好比较导致的阶段不对齐问题,提出STAIR,利用对比学习的时间距离识别阶段并优先进行同阶段比较,实验证明其有效且符合人类认知。
2025-09-28 cs.LG
Reward-Aware Population Scaling of Evolutionary Strategies in LLM Fine-Tuning
研究在大语言模型微调中,进化策略种群规模缩放与奖励设计及归一化的关系。通过实验发现交叉熵与二元奖励微调种群规模结论差异大,主要因奖励设计和归一化,禁用归一化可改进小种群模型表现,揭示小种群失败可能是实现问题而非内在限制。
2026-07-23 cs.LG
Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement
KAIST AI(韩国科学技术院人工智能研究所);Seoul National University(首尔国立大学);University of California, Berkeley(加州大学伯克利分校);KRAFTON
本文提出IterRef方法,通过奖励引导的加噪-去噪迭代精炼离散扩散中间状态,在MTM框架下证明收敛性,并在低计算预算下显著提升文本和图像的奖励引导生成质量。
2025-11-04 cs.AI cs.LG
Can Differentiable Decision Trees Enable Interpretable Reward Learning from Human Feedback?
Kahlert School of Computing(卡勒特计算机学院);University of Utah(犹他大学)
针对RLHF中黑盒奖励函数难以解释且训练成本高的问题,提出使用可微决策树(DDTs)学习可解释且具表达力的奖励函数,实验证明其能达到与深度神经网络相当的RL性能,并具备对齐诊断效用。
2024-10-11 cs.AI cs.LG
Inverse Reinforcement Learning with Dynamic Reward Scaling for LLM Alignment
Beijing Electronic Science and Technology Institute(北京电子科技学院);Alibaba Group(阿里巴巴集团);Nanjing University(南京大学);Duke University(杜克大学);BraneMatrix AI;Renmin University of China(中国人民大学);Northeast University(东北大学);Nanyang Technological University(南洋理工大学);Zhejiang Lab(浙江实验室);Sun Yat-sen University(中山大学)
DR-IRL通过动态奖励缩放和逆强化学习提升大语言模型的安全对齐性能,有效解决数据不平衡和静态奖励模型的局限性。
2026-03-02 cs.AI cs.CL cs.LG
Scaling data-driven robotics with reward sketching and batch reinforcement learning
Deepmind(深度思维)
我们提出了一个数据驱动的机器人框架,该框架利用记录机器人经验的大型数据集,并使用学习的奖励函数扩展到多个任务。我们展示了如何应用这个框架来完成三个不同的对象操作任务在一个真正的机器人平台上。给定任务的演示以及与任务无关的记录经验,我们使用一种特殊形式的人类注释作为监督来学习奖励函数,这使我们能够处理无法直接获得奖励信号的现实任务。学习奖励与来自不同任务的经验的大型数据集结合使用,以使用批RL离线学习机器人策略。我们表明,使用我们的方法,它是可能的训练代理执行各种具有挑战性的操作任务,包括堆叠刚性物体和处理布。
2020-06-04 cs.LG cs.RO
Lookahead Sample Reward Guidance for Test-Time Scaling of Diffusion Models
KAIST(韩国科学技术院)
提出一种高效测试时缩放方法LiDAR采样,通过前瞻几步采样和精确求解器引导粒子向高奖励区域移动,无需反向传播,在GenEval上达到与最新梯度引导方法相同性能且加速9.5倍。
2026-05-30 cs.AI cs.LG
ScalePRM: Training Process Reward Models by Scaling Verification Compute Without Ground Truth
Amazon AGI(亚马逊人工智能实验室);UCLA(大学)
SPARK提出一种无参考强化学习框架,通过生成和验证模型提升过程奖励模型性能,在数学推理任务中取得优于真实参考的方法的成果。
2026-09-01 cs.AI cs.CL cs.LG
ANS: Adaptive Network Scaling for Deep Rectifier Reinforcement Learning Models
National Taiwan University(国立台湾大学);RIKEN-AIP(理化学研究所人工智能研究中心)
这项工作提供了一个深入的研究如何奖励缩放可以影响深度强化学习代理的性能。特别是,我们想回答这样一个问题:奖励缩放如何影响RL中的非饱和ReLU网络?这个问题很重要,因为ReLU是深度学习模型中最有效的激活函数之一。我们还提出了一个自适应网络缩放框架,在学习过程中找到合适的奖励规模,以获得更好的性能。我们进行了实证研究,以证明解决方案。
2018-10-31 cs.AI cs.LG stat.ML
EQA-RM: A Generative Embodied Reward Model with Test-time Scaling
The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Arizona State University(亚利桑那州立大学)
针对通用奖励模型难以适配具身问答(EQA)细粒度评估的问题,提出生成式多模态奖励模型EQA-RM,采用C-GRPO策略训练,支持测试时缩放评估粒度,仅用700样本即超越多个商用及开源SOTA基线,还发布了标准化评估基准EQARewardBench。
2025-06-12 cs.LG
Next-token Preference: Scaling Unsupervised Reward Modeling
Harvard University(哈佛大学);Cornell University(康奈尔大学);Microsoft Research(微软研究院);Kempner Institute(凯普纳研究所)
本文提出无需人类标注的奖励建模方法,通过大规模网络语料学习文档前后缀偏好,提升RewardBench性能,实现跨模型家族和规模的稳定改进。
2026-10-14 cs.LG
DRTA: Dynamic Reward Scaling for Reinforcement Learning in Time Series Anomaly Detection
School of Computer Science Portland State University Portland, Oregon, United States(计算机科学学院波特兰州立大学波特兰俄勒冈州美国)
针对时间序列异常检测标注少、误报高和新型异常泛化难的问题,提出融合动态奖励塑形、VAE与主动学习的强化学习框架DRTA,并在Yahoo基准上验证其优于现有方法。
2025-08-25 cs.AI cs.LG
Adaptive Correlation-Weighted Intrinsic Rewards for Reinforcement Learning
Institute for Artificial Intelligence(人工智能研究所);VNU-University of Engineering and Technology(越南工程与技术大学)
ACWI通过自适应相关加权内在奖励机制提升稀疏奖励强化学习中的探索效率和样本效率。
2026-02-27 cs.AI cs.LG
Tail Competition Explains Scaling in Best-of-N Sampling for Verifiable Problems
NEC Corporation(日本电气公司)
该研究将N选最优采样视为响应的极端奖励尾部竞争,用极值理论刻画其渐近状态与有限样本缩放定律,提出尾部张力准则,经实验验证为可验证问题的N选最优采样提供统一视角。
2026-10-15 cs.AI cs.CL cs.LG
Controllable Image Captioning with Prompt-Conditioned Scene Rewards
POSTECH(浦项科技大学);Graduate School of Artificial Intelligence, POSTECH(浦项科技大学人工智能研究生院);Department of Computer Science and Engineering, POSTECH(浦项科技大学计算机科学与工程系)
本研究提出FoCUS可控图像字幕方法,通过提示条件场景奖励实现细粒度语义控制,引入SCoPE基准评估,在不降低通用性能的情况下提升了字幕可控性与质量。
2026-09-02 cs.CL cs.CV cs.LG
Reward Learning as Doubly Nonparametric Bandits: Optimal Design and Scaling Laws
Stanford University(斯坦福大学);UC Berkeley(加州大学伯克利分校)
对于像物体操作或驾驶这样的复杂任务来说,人工完成奖励功能具有挑战性。奖励学习试图通过使用人类对所选查询策略的反馈来学习奖励模型来解决这个问题。这将奖励规范的负担转移到查询的最佳设计上。我们提出了一个理论框架,研究奖励学习和相关的最优实验设计问题。我们的框架模型的奖励和政策属于再生核希尔伯特空间(RKHS)的子集的非参数函数。学习器接收(噪声)对真实奖励的oracle访问,并且必须输出在真实奖励下表现良好的策略。在这种情况下,我们首先推导出一个简单的插件估计基于岭回归的非渐近超额风险界。然后,我们解决了查询设计问题,通过优化这些风险边界方面的选择查询集,并获得有限的样本统计率,这主要取决于一个特定的线性算子上的RKHS的特征值谱。尽管这些结果的一般性,我们的界限比以前的界限更专门的问题。我们特别表明,高斯过程(GP)的强盗优化的研究问题是我们的框架的一个特殊情况下,我们的边界改善或竞争与已知的遗憾保证Matérn内核。
2023-02-23 cs.AI cs.LG stat.ML
Semantically Aligned Task Decomposition in Multi-Agent Reinforcement Learning
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院);East China Normal University(华东师范大学);Tongji University(同济大学)
针对合作式稀疏奖励多智能体强化学习中现有自动子目标生成方法样本效率低的问题,提出结合预训练语言模型思维链与语言锚定强化学习的SAMA方法,显著提升样本效率。
2023-09-30 cs.AI cs.CL cs.LG
Beyond Verifiable Rewards: Scaling Reinforcement Learning for Language Models to Unverifiable Data
Meta GenAI(Meta 生成式人工智能);University College London(伦敦大学学院);Meta FAIR
提出 JEPO 算法,通过将思维链视为潜变量并应用 Jensen 证据下界,将语言模型的强化学习扩展至不可验证数据,在长文本等任务上优于现有方法。
2025-05-28 cs.LG