Documenti analoghi

• Enhancing LLM Safety via Constrained Direct Preference Optimization
  di: Liu, Zixuan, et al.
  Pubblicazione: (2024)
• Correlated Proxies: A New Definition and Improved Mitigation for Reward Hacking
  di: Laidlaw, Cassidy, et al.
  Pubblicazione: (2024)
• Belief-Enriched Pessimistic Q-Learning against Adversarial State Perturbations
  di: Sun, Xiaolin, et al.
  Pubblicazione: (2024)
• Reward Shaping to Mitigate Reward Hacking in RLHF
  di: Fu, Jiayi, et al.
  Pubblicazione: (2025)
• Mitigating Reward Hacking in RLHF via Advantage Sign Robustness
  di: Ono, Shinnosuke, et al.
  Pubblicazione: (2026)