GRACE：可解释的逆强化学习语言模型框架

Apple Machine Learning Research ·

该论文在NeurIPS 2022的“人机协作学习研讨会”上被接受。偏好强化学习算法通过人类反馈提炼奖励函数，但仍需大量标签，实用性不足。本文展示了环境编码的有效性。

NeurIPS 2022 人类反馈偏好强化学习奖励函数强化学习环境编码语言模型

原文英文，约100词，阅读约需1分钟。