reward shaping
本来は少ない評価信号を、学習しやすいように途中経過の評価も含めて設計し直すこと。遠い目標に向かう行動を学びやすくする工夫。
たとえば: ゴールの合否だけでなく、途中の小テストにも点を付けてやる気を保つ感じ。
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
- 長時間タスク向けデータセット「Tev-Gym」と進捗報酬PPRSで学習するエージェントモデルTev-27B
長時間タスク用の学習データ不足と疎な報酬を課題に、Tev-Gymと進捗を密な報酬へ変換するPPRSを提案。レシピで学習したTev-27Bが複数ベンチマークで改善を示したと報告する。
