Mieltymysoppiminen
term_id: preference_learning
Category: training_techniques
Definition
Mieltymysoppiminen keskittyy mallien opettamiseen erottamaan hyvät ja huonot tulokset ihmisten arvioiden perusteella absoluuttisten merkintöjen sijaan. Se sisältää yleensä vastausparien keräämisen, joissa ihminen valitsee mieluisamman vaihtoehdon, ja palkkafunktion mallintamisen näiden mieltymysten kuvaamiseksi.
Summary
Tekniikka, joka kouluttaa malleja vastaamaan ihmisten mieltymyksiin vertailevan palautteen avulla.
Key Concepts
- Ihmispalautte
- Parittainen vertailu
- Palkkamallinnus
- Yhteensopivuus (alignment)
Use Cases
- RLHF suurille kielimalleille
- Suositusjärjestelmät
- Sisällön moderointisuodatus