Awesome RL with Human Feedback / 2026 / OpenReview

Noise-corrected GRPO: From Noisy Rewards to Unbiased Gradients

作者：Omar Elmansouri, Fathinah Izzati, Mohamed El Amine Seddik, Salem Lahlou · 来源：OpenReview · 发布日期：2026

鲁棒性/噪声反馈奖励建模训练稳定性策略优化策略梯度人类反馈强化学习
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）