通过学习动态感知奖励函数，可以提高偏好基础增强学习的采样效率。使用50个偏好标签的方法可以达到与使用500个偏好标签相同的性能，并恢复了83%和66%的地面真实奖励策略性能。这些结果证明了学习动态感知奖励模型的好处。

S-EPOA：通过技能驱动的基于偏好的强化学习克服注释不可分性
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证