policy correction
集めた経験が「古い行動ルール」で生まれていても、今の行動ルールに合わせて学習が偏らないよう補正すること。データのズレを調整して学習を安定させる。
たとえば: 昔の物価の家計簿を、今の物価に換算して見直すようなものです。
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
- 長期の機械学習エンジニアリングを自律最適化するためのポストトレーニング手法とエージェントモデル「MLExpert」
長い実験手順の中から有効な学習信号を取り出すポストトレーニング手法を提案し、35BのMoEエージェントモデルMLExpertに適用した。MLE-Bench Liteで平均メダル率を37.9%から72.7%へ改善したと報告する。
