Tech Meridian ← К СУЩНОСТЯМ
EN

ТЕМА · ENTITY #393

reinforcement learning (RL)

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Композиционное рассуждение в LMs: асимметрия от разложенных к составным задачам после RL-посттренировки

В работе на arXiv предложена модель зависимостей для трёх уровней композиционности и изучено, как RL-посттренировка влияет на композиционную генерализацию языковых моделей. На детерминированных задачах со структурами данных исследователи обнаружили устойчивую асимметрию: обучение на разложенных навыках слабо переносится на составные задачи, тогда как обучение на составных задачах лучше переносится назад; приводится теоретическое объяснение, тесты на длину и структурные сдвиги и пилотное исследование с вызовом инструментов, показывающее предварительные признаки этой асимметрии в практических бенчмарках.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Планирование или обучение: надёжность и стоимость при обслуживании нескольких активов

В препринте на arXiv проведено эмпирическое сравнение методов планирования и обучения с подкреплением (RL) для обслуживания нескольких подшипников на основе данных до отказа. Исследование показывает, что планирование задаёт надёжность как жёсткое ограничение и даёт политики без отказов с затратами, слабо зависящими от штрафа за отказ, тогда как RL минимизирует ожидаемые затраты и часто жертвует профилактикой ради редких отказов (давая меньшие затраты при низких штрафах, но сохраняющиеся отказы даже при высоких штрафах); также рассмотрены приёмки для ограничения поведения (награждение, маскирование действий) и представлен единый протокол бенчмарка.

6.0