跳到正文
arXiv · AI· Haoyu Wang, Ru Wang, Yuanyuan Wang, Jiaxian Guo, Mingming Gong·· 11 天前AI 评分23

TTRL 测试时强化学习中多数投票伪标签可靠性分析:提出 Prompt-Conditional DRO-DPO

On the Reliability of Majority-Vote Pseudo-Labels in Test-Time Reinforcement Learning

AI 导读

针对测试时强化学习(TTRL)中多数投票伪标签可靠性不足的问题,研究者提出 Prompt-Conditional Distributionally Robust DPO(Prompt-Conditional DRO-DPO)。

来源:arXiv · AI · arxiv.org