#policy-gradient

1 記事

01 ·推論・高速化·★ 会員·論文·15分で読めます 論文解説: On-Policy Reverse Distillation — 弱い教師を「目標」でなく「方向」として使う Eliciting Weak-to-Strong Generalization with On-Policy Reverse Distillation 弱い教師モデルが事後学習で獲得した「方策の変化」を、生徒の最適化目標にはせず、生徒自身の方策勾配を増幅する向きとしてだけ使う手法 OPRD を、前提知識ゼロから解説する。