יום רביעי, 7 באוקטובר 2026 LIVE
AI־INFO

כתבה arXiv cs.LG ·

למידת ריפוד לשכינוע רגשי: קצבים מינימקס-אופטימליים עם טרנספורמרים

Reinforcement Learning for Hierarchical Reasoning Rewards: Minimax-Optimal Rates with Transformers
במאמר זה, המחברים חוקרים את יעילות למידת ריפוד לשכינוע רגשי עם טרנספורמרים. הם מציעים אלגוריתם של טרנספורמרים ללמידת ריפוד, שמגיע לקצבים מינימקס-אופטימליים. המחברים גם מוכיחים שלמידה עם טרנספורמרים יעילה יותר מלמידה עם רפרנס קבוע.
תקציר מקורי באנגליתarXiv:2610.08561v1 Announce Type: new Abstract: Reinforcement learning (RL) has become a standard tool for post-training language models on reasoning tasks, where the policy is updated by reward feedback while exploring the space of responses. Despite its empirical success, theoretical understanding of RL post-training remains limited, in particular of why on-policy exploration combined with a neural reward model is effective. In this paper, we address this question by modeling the reward as a hierarchical function on the response space: the reward consists of infinitely many local components, each of which becomes relevant only after the preceding ones have been resolved. We show that a natural Transformer-based actor--critic algorithm, which alternates between sampling from the current K
קרא במקור המקורי