研究者提出字典序多目标同策略蒸馏方法LMOPD

Doseok Jang、Jon Ander Campos、Youran Qi 提出词典序多目标同策略蒸馏（LMOPD），一种按显式优先级整合奖励专精策略的多教师方法。 其做法是：对每个学生 rollout，先选出首个被门控判定存在不足的目标所对应的专家，再对该专家的中心化对数策略修正做局部投影，剔除与更高优先级专家相冲突的分量。 该方法是 arXiv cs.LG 论文，作者称其用于在显式优先级下整合奖励专精策略。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。