IR$^3$: Contrastive Inverse Reinforcement Learning for Interpretable Detection and Mitigation of Reward Hacking

Fuente: arXiv
Guardado en:
Detalles Bibliográficos
Autores principales: Beigi, Mohammad, Jin, Ming, Zhang, Junshan, Zhang, Jiaxin, Wang, Qifan, Huang, Lifu
Formato: Preprint
Publicado: 2026
Materias:
Acceso en línea:
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!

Ejemplares similares