Awesome RL with Human Feedback / 2026 / OpenReview

Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling

作者：Zhibin Duan, Guowei Rong, Zhuo Li, Bo Chen, Mingyuan Zhou, Dandan Guo · 来源：OpenReview · 发布日期：2026

奖励黑客/过优化奖励建模偏好学习
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）