XiaoMi-AI文件搜索系统
World File Search System强化
![强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]](/simg/3/3ede8a909d069d2cb8a5418bd2da44f8ba58e66e.webp)
强化学习：将人类的偏好纳入大语言模型的微调[0.4英寸] Avinash Kak Purdue University [0.1in]
[请想象一个像所有LLM一样受过训练的LLM。按照我第15周的讲座的方式，想象一下该LLM的无监督培训是基于其摄入的文本序列的摄入，第二个是第一个的延续。显然取决于第一个序列的性质，LLM完全有可能为其延续而获得多种可能性 - 有些人使用亵渎和其他形式的犯规和可能的暴力语言。 ]
强化学习如何保持欺诈检测明智而快速：适应新
摘要欺诈活动日益增长的复杂性挑战了依赖静态规则和历史数据的传统欺诈检测系统。欺诈者不断发展其技术，需要更智能，实时的解决方案，能够学习和适应。强化学习（RL）是机器学习的一个分支，已成为一种改变游戏规则的欺诈方法。rl系统通过试用和错误的学习不断优化检测策略，并适应新的欺诈模式。本文探讨了RL如何通过实现自适应决策，实时异常识别和积极的欺诈预防来保持欺诈检测智能和高效。它重点介绍了RL处理不断发展的欺诈方案，优化检测准确性以及改善医疗保健，银行业和电子商务等行业的响应时间的能力。本文进一步解决了诸如有限的欺诈数据和计算复杂性之类的挑战，并讨论了将塑造RL在预防欺诈中的未来作用的创新。关键字：强化学习，欺诈检测，自适应学习，异常检测，实时分析，机器学习，数字化转型，欺诈预防1。引言欺诈已成为各个行业的重大挑战，每年使组织数十亿美元造成。从医疗保健索赔欺诈到金融交易欺诈和电子商务付款欺诈，罪犯正在不断开发绕过检测的新技术。基于静态规则和阈值的传统欺诈检测系统，难以实时确定新的欺诈模式。他们无法动态地使企业暴露于越来越复杂的欺诈计划。强化学习（RL）是机器学习领域，代理商通过与环境进行互动并以奖励或罚款的形式接收反馈来做出决策，提供了一种新方法。rl不依赖预定义的规则，而是连续发展，这是欺诈检测的理想解决方案。
强化初赛强化测试系列
» 森林及其分布 » 森林保护 » 动物区系 印度经济和人文地理 • 印度的农业类型和主要作物 • 农业气候区 • 土地改革和土地利用模式 • 畜牧业、渔业和水产养殖 • 水资源 - 可用性和潜力：湖泊、河流、水坝、电力和灌溉项目、湿地和河流交汇处 • 矿产资源 - 分类和分布 • 能源资源 - 常规和非常规资源 • 印度的人口和增长趋势 - 密度、性别比例、识字率、部落和种族群体 • 农村和城市定居点 - 类型和模式 • 行业 - 类型及其位置因素 • 交通和通讯 - 铁路、公路、内陆水运、航运和海港、航空运输 • 来自印度的基于地图的问题（州、城市、河流、湖泊、重要地点（包括拉姆萨尔遗址、生物圈保护区、野生动物保护区和国家公园）的位置）
可解释的事后投资组合管理财务政策深入强化学习代理
金融投资组合管理投资政策通过现代投资组合理论（如Markowitz模型）进行定量计算的投资政策依赖于一组假设，这些假设在高波动性市场（例如技术部门或加密货币）中不受数据支持。因此，定量研究人员正在寻找解决此问题的替代模型。具体而言，投资组合管理（PM）是一个问题，最近通过深度强化学习（DRL）方法完全解决了问题。在特定的DRL算法中，通过估计代理在模拟器中任何财务状态执行的每个动作的预期奖励的分布，也称为体育馆。然而，这些方法依靠深神经网络模型来表示这种分布，尽管它们是通用近似模型，能够随着时间的推移代表此分布，但它们无法解释其行为，但由一组不可解释的参数给出。至关重要的是，金融投资者的政策要求可以解释，以评估他们是否遵循合理的行为，因此DRL代理不适合遵守特定政策或解释其行为。在这项工作中，在使DRL可以解释的动机的驱动下，我们开发了一种可解释的DRL（XDRL）方法，用于PM，将近端政策优化（PPO）DRL算法整合到模型不可思议的可解释的机器学习技术中，以提高预测时间的透明度，以增强透明度的特征。我们提出了DRL代理商的第一个可解释的事后PM财务政策。通过执行我们的方法，我们可以在预测时间解释代理商评估他们是否遵循投资政策的必要条件或评估遵循代理商建议的风险。我们通过成功识别影响投资决策的关键特征来从经验上说明这一点，从而证明了在预测时间中解释代理行动的能力。
基于模型的强化学习代理中的知识转移，用于有效的多任务学习
我们为基于模型的强化学习提出了一种有效的知识转移方法，以应对在资源约束环境中部署大世界模型的挑战。我们的方法将高容量的多任务代理（3.17亿参数）提炼成紧凑的1M参数模型，从而在MT30基准测试中实现了最先进的性能，其归一化分数为28.45，比原始1M参数模型的18.93分数进行了实质性改进。这证明了我们的分解技术有效合并复杂多任务知识的能力。此外，我们还采用FP16训练后量化，在保持性能的同时将模型大小降低了50％。我们的工作弥合了大型模型和实际部署约束之间的差距，为机器人技术和其他资源有限的域中提供了可扩展的解决方案，可用于效率且可访问的多任务增强学习。
一级方程式竞赛策略的可解释的强化学习 *
在一级方程式赛中，团队竞争开发自己的汽车，并在每场比赛中达到最高的完成位置。但是，在比赛中，球队无法更改汽车，因此他们必须通过比赛策略改善汽车的完成位置，即优化他们选择哪种轮胎化合物可以涂在汽车上以及何时这样做。在这项工作中，我们引入了强化学习模型RSRL（种族策略增强学习），以控制模拟中的种族策略，为基于硬编码和蒙特卡洛的种族策略提供了更快的替代品。控制汽车的速度等于P5.5的预期完成位置（P1代表第一名，P20是最后的位置），RSRL在我们的测试竞赛中达到了P5.33的平均饰面位置，即2023 Bahrain Grand Prix，胜过P5.63的最佳基线。然后，我们在一项概括性研究中证明了如何通过训练优先考虑一个轨道或多个轨道的性能。此外，我们以特征重要性，基于决策的替代模型以及决策树的反事实来补充模型预测，以改善用户对模型的信任。最后，我们提供了插图，这些插图体现了我们在现实情况下的方法，在模拟和现实之间取得了相似之处。
强化学习基于通用干扰的非线性系统的输出稳定控制
摘要 - 本文提出了一种新的干扰观察者（DO）基于无线性干扰的非线性系统的基于基于（RL）的控制方法。虽然非线性干扰观察者（NDO）用于测量植物的不确定性，但植物中可能通过与控制信号的障碍存在障碍；从理论上讲，所谓的不匹配的障碍很难在系统状态的渠道内衰减。通过消除输出通道的不确定性影响来解决不确定性取消问题，以解决不确定性取消问题。con-目前，通过求解与补偿系统有关的理想价值函数的综合参与者RL方案，通过求解与补偿系统有关的理想价值函数，以求解汉密尔顿 - 贾科比·贝尔曼（HJB）方程的在线和同时进行流量。稳定性分析验证了所提出的框架的收敛性。仿真结果以说明拟议方案的有效性。
热能、工艺和传输强化
2011 14800 6.49 2471 12.21 16.69 2012 16910 14.26 3070 24.24 18.15 2013 16737 -1.02 3135 2.02 18.73 2014 19508 16.56 3828 22.11 19.62 2015 19989 2.47 4055 5.93 20.29 2016 22684 13.48 5061 24.81 22.31 2017 25442 12.16 5928 17.13 23.30 2018 25713 1.06 6382 7.66 24.82 2019 29158 13.40 7647 19.82 26.22 2020 29913 2.59 8700 13.77 29.08 2021 31360 4.84 9487 9.05 30.25 *主题搜索结果包含关键词“热传递”或“热传输”或“热传输”。
基于在线强化学习的实时策略任务动态自适应评估函数
摘要。实时战略任务的有效评估需要自适应机制来应对动态和不可预测的环境。本研究提出了一种改进评估函数以实时响应战场态势变化的方法，利用实时战略游戏中基于在线强化学习的动态权重调整机制。该方法在传统静态评估函数的基础上，利用在线强化学习中的梯度下降来动态更新权重，并结合权重衰减技术确保稳定性。此外，还集成了 AdamW 优化器，实时调整在线强化学习的学习率和衰减率，进一步减少对人工参数调整的依赖。循环竞赛实验表明，该方法显著提升了 Lanchester 作战模型评估函数、Simple 评估函数和 Simple Sqrt 评估函数在 IDABCD、IDRTMinimax、Portfolio AI 等规划算法中的应用效果。该方法显著提高了得分，并且随着地图尺寸的增加，这种增强变得更加明显。此外，对于所有评估函数和规划算法，该方法引起的评估函数计算时间的增加都保持在 6% 以下。所提出的动态自适应评估函数为实时战略任务评估提供了一种有前途的方法。
从自动反馈中学习的强化学习...
摘要 - 软件测试是软件开发的至关重要但耗时的方面，最近，大型语言模型（LLMS）已广受欢迎，可以自动化测试案例生成。但是，由于LLM经过大量开源代码培训，因此它们通常会生成不遵守最佳实践的测试用例，甚至可能含有测试气味（反patterns）。为了解决这个问题，我们提出了从静态质量指标（RLSQM）学习的强化学习，其中我们利用强化学习来基于基于静态分析的质量指标来生成高质量的单元测试。首先，我们分析了LLM生成的测试，并表明LLMS经常会产生不良的测试气味 - 大约37％。然后，我们使用此奖励模型实施了基于静态分析的轻量分析奖励模型和训练有素的LLM，以优化五个代码质量指标。我们的实验结果表明，与基本LLM相比，RL优化的Codex模型始终生成更高的测试用例，将质量指标提高了23％，并生成了近100％的语法校正代码。RLSQM在所有代码质量指标上也均优于GPT-4，尽管培训了基本更便宜的法典模型。我们提供了有关如何可靠地利用RL来提高测试发电质量的见解，并表明RLSQM是提高自动软件测试的整体效率和可靠性的重要一步。我们的数据可在以下链接上获得：https：//doi.org/10.6084/m9.figshare.25983166。