机构名称：
¥ 1.0
本文通过人类和AI的反馈对进步的增强学习（RL）进行了全面审查，重点是可解释的强化学习（XRL）的新兴子领域。它研究了解释性技术如何在顺序决策设置中提高RL代理决策过程的透明度，从而使从业者能够更好地理解和信任代理人的行为。该评论还探讨了从人类反馈（RLHF）学习增强性挑战的挑战，并从AI反馈（RLAIF）中引入了强化学习，这是一个有希望的选择。通过利用现成的大语言模型（LLMS）生成偏好标签，RLAIF解决了手动人类反馈的时间耗时和昂贵的性质，同时取得了可比或优越的结果。该论文进一步讨论了RLHF和RLAIF的开放问题和基本局限性，强调了对改善其实际实施的强大方法的需求。结束时，概述了旨在完善和补充RLHF和RLAIF的未来研究指示，以增强其在现实世界应用中的有效性和社会影响。
推进强化学习
主要关键词
相关文件推荐
