跳到正文
热点事件持续更新

提出噪声偏好无偏对齐方法

1 篇报道1 个报道来源12 小时前更新

先了解这件事

AI 综述

Jialiang Wang 等作者提出面向噪声偏好数据的无偏对齐理论框架，并设计 URM loss 和 UDPO loss，以校正偏好噪声造成的训练失真。论文称，这些方法可直接利用噪声偏好数据训练大语言模型，无需干净标注监督。

AI 根据报道生成 · 3 小时前更新

最新进展10月28日 12:00
《Unbiased Alignment for Large Language Models with Noisy Preferences》提出面向噪声偏好的无偏对齐方法

报道时间线

沿着报道，了解事件的不同侧面。

10月28日
  1. arXiv · Machine Learning
    《Unbiased Alignment for Large Language Models with Noisy Preferences》提出面向噪声偏好的无偏对齐方法

    该论文提出 Unbiased Reward Model（URM）loss 和 Unbiased Direct Preference Optimization（UDPO）loss，用数学校正偏好噪声造成的失真，使大语言模型能够直接利用噪声数据训练而无需干净标注监督。

本事件热度走势

可比范围当前
7
可比范围峰值
810月28日 21:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。