Catastrophic Goodhart: regularizing RLHF with KL divergence does not mitigate heavy-tailed reward misspecification

Fuente: arXiv

Guardado en:

Detalles Bibliográficos
Autores principales:	Kwa, Thomas, Thomas, Drake, Garriga-Alonso, Adrià
Formato:	Preprint
Publicado:	2024
Materias:	Machine Learning
Acceso en línea:	Acceder al recurso
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

Internet

https://arxiv.org/abs/2407.14503