★ 2
CONCUR：多任务多奖励强化学习的一致性辅助奖励方法
论文指出多任务强化学习中，组相对优势估计器会让被主奖励门控的辅助奖励（如长度奖励）反转主奖励排序。作者提出 CONCUR 优势估计器，用满足单调性与天花板等分条件的分数替换辅助奖励标准化分数。在数学、代码、指令遵循与写作任务上，两个变体平均表现均优于所有基线。
arXiv NLP5 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文指出多任务强化学习中，组相对优势估计器会让被主奖励门控的辅助奖励（如长度奖励）反转主奖励排序。作者提出 CONCUR 优势估计器，用满足单调性与天花板等分条件的分数替换辅助奖励标准化分数。在数学、代码、指令遵循与写作任务上，两个变体平均表现均优于所有基线。