arXiv · Machine Learning Theory· Sadegh Khorasani, Petrus Mikkola, Matthias Grossglauser·· 3 小时前AI 评分35
直接偏好优化中的不确定性归一化间隔方法（UNM-DPO）
Uncertainty-Normalized Margins for Direct Preference Optimization
AI 导读
summary_zh: UNM-DPO 引入依赖强度的间隔与可学习的提示词尺度，基于异方差 Bradley-Terry 模型提出优势仅（AO）与全残差（WR）两种训练目标。
来源：arXiv · Machine Learning Theory · arxiv.org