Awesome RL with Human Feedback / 2026 / OpenReview

Conditional Equivalence of DPO and RLHF: Assumptions, Failure Modes, and Provable Alignment

作者：Yonggang Zhang, Zhiqin Yang, Wei Xue, Dong Fang, Bo Han, Yike Guo · 来源：OpenReview · 发布日期：2026

偏好学习对齐目标设计策略优化策略梯度人类反馈强化学习理论/遗憾界
新标签打开 PDF
未获取到公开可用关键图
在线论文 PDF（可滚动查看）