ttpo

定義

論文が付けた手法名の略称で、末尾の PO は preference optimization(選好最適化)を指す。DPO 以降に広がった、報酬モデルを別に立てず「良い出力/悪い出力」の対から直接方策を更新する系統に属する。-PO で終わる略称は多数あるため、先頭が何を指すかは本文の定義を確認する必要がある。

論文題名での読み方

固有名。DPOの派生

この語が出てくる解説

• 論文解説 TTPO: 正解ラベルなしで、テストの最中にモデルを鍛えるTTPO: Test-Time Policy Optimization