هوش مصنوعی
BLPO؛ روشی برای بهبود آموزش عامل‌های زبانی در کارهای چندمرحله‌ای
پیش‌چاپی در arXiv روشی پیشنهاد می‌کند که برای سنجش پیشرفت و ترجیح کنش‌ها، تجربهٔ چند وظیفه و به‌روزرسانی‌های آموزشی را کنار هم می‌گذارد.
کارهای طولانی و پیچیده از عامل‌های مبتنی بر مدل‌های زبانی بزرگ می‌خواهند کنش‌های وابسته به یکدیگر را هماهنگ کنند. پیش‌چاپی با عنوان «Beyond-Local Policy Optimization» یا BLPO می‌گوید مقایسهٔ قابل‌اتکای کنش‌ها باید تفاوت تاریخچهٔ تعامل را هم در نظر بگیرد؛ اما انجام این کار فقط با داده‌های محدود هر وظیفه می‌تواند برای برآورد ترجیح کنش‌ها شواهد کافی فراهم نکند.
پژوهشگران BLPO را برای برآورد میزان پیشرفت وظیفه از تجربه‌ای مشترک میان چند وظیفه و چند مرحلهٔ آموزش پیشنهاد می‌کنند. این روش پیشوندهای مسیر هر عامل را به حالت‌های پیشرفت وظیفه خلاصه می‌کند و کنش‌ها را بر اساس کارکردشان انتزاع می‌کند تا بتوان تصمیم‌های متناظر را مقایسه کرد. متن در دسترس از چکیدهٔ پیش‌چاپ است و جزئیات بیشتری دربارهٔ نتایج یا ارزیابی روش ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده