On-policy
ある方針(選び方)で実際に集めたデータを、同じ方針を良くするために使うやり方。別の選び方で集めた過去データに強く頼らない。
たとえば: 自分が今やっている勉強法で解いた問題を材料に、その勉強法を改善する感じ。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- 多数候補の「power sampling」を、1回の生成に近づける学習法OPPD
power distributionで推論を改善する際の「多数候補を生成して採点する」負担を減らすため、1回の生成で同様の効果を狙う学習手法OPPDを提案。MATH500やGSM8Kなどで単発生成の精度向上を報告している。
