arXiv cs.AI· Manith Adikari, Bei Peng, Samuele Vinanzi, Angelo Cangelosi·· 9 小时前AI 评分18
LEMUR：用偏好反馈的多目标强化学习实现对齐
LEMUR: Learning to Align with Multi-Objective Reinforcement Learning from Preference Feedback
AI 导读
LEMUR 是一个从多个人类偏好中交互学习最优多目标策略的框架，可同时学习策略与多个目标专属的奖励模型，让智能体在学习过程中平衡相互竞争的目标。该方法在多种多目标基准任务上优于基线，且无需预先定义奖励函数。
来源：arXiv cs.AI · arxiv.org