Regularização por Manipulação de Feedback: Viabilizando o Alinhamento Offline de Agentes para Aprendizado por Imitação

arXiv:2607.07859v1 Tipo de anúncio: novo Resumo: A pesquisa em aprendizado por reforço (RL) tem deslocado cada vez mais o foco para o alinhamento, garantindo que os agentes aprendam comportamentos que aderem aos valores humanos. Embora demonstrações e feedback humanos tenham se mostrado cruciais para o alinhamento, as abordagens existentes combinam predominantemente esses sinais usando pipelines de múltiplos estágios projetados para o enquadramento de bandit contextual da geração de linguagem. No entanto, poucos trabalhos exploram como essas entradas complementares podem servir como uma fonte mais rica, em...