线性奖励模型提出最小松弛公理满足法

Soumya Nasipuri、Sayak Ray Chowdhury和Sanjukta Roy提出一种线性奖励学习方法，通过惩罚错误比较中的线性部分，在满足偏好对齐公理的同时最小化总松弛量与比较违反次数。 基于论文摘要，研究表明：当候选数为m、最小奖励差η不超过O(1/m²)时，最优总松弛量为O(1)，并在常数意义下达到紧致上界；该结论不以投票者或比较采集方式满足额外假设为前提。作者称，松弛量会随惩罚参数λ增加而上升，但最终趋于饱和。 摘要还称，该方法在合成和真实偏好数据上的部署奖励优于线性BTL，但未给出数据规模、实验条件或具体提升幅度。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。