Mitigating Reward Hacking in RLHF via Advantage Sign Robustness

Fuente: arXiv

Enregistré dans:

Détails bibliographiques
Auteurs principaux:	Ono, Shinnosuke, Ackermann, Johannes, Nishimori, Soichiro, Ishida, Takashi, Sugiyama, Masashi
Format:	Preprint
Publié:	2026
Sujets:	Machine Learning Artificial Intelligence Computation and Language
Accès en ligne:	Acceder al recurso
Tags:	Ajouter un tag Pas de tags, Soyez le premier à ajouter un tag!

Internet

https://arxiv.org/abs/2604.02986