অনুরূপ উপাদানগুলি

• IR$^3$: Contrastive Inverse Reinforcement Learning for Interpretable Detection and Mitigation of Reward Hacking
  অনুযায়ী: Beigi, Mohammad, অন্যান্য
  প্রকাশিত: (2026)
• Reward Shaping to Mitigate Reward Hacking in RLHF
  অনুযায়ী: Fu, Jiayi, অন্যান্য
  প্রকাশিত: (2025)
• Reward Hacking Mitigation using Verifiable Composite Rewards
  অনুযায়ী: Tarek, Mirza Farhan Bin, অন্যান্য
  প্রকাশিত: (2025)
• Repairing Reward Functions with Feedback to Mitigate Reward Hacking
  অনুযায়ী: Hatgis-Kessell, Stephane, অন্যান্য
  প্রকাশিত: (2025)
• ODIN: Disentangled Reward Mitigates Hacking in RLHF
  অনুযায়ী: Chen, Lichang, অন্যান্য
  প্রকাশিত: (2024)