待验证70% 置信事实精确时间
Christiano于2017年与同事发表论文《Deep Reinforcement Learning from Human Preferences》，奠定了RLHF方向的理论基础
2
来源数
70%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证强化学习中的状态—动作—奖励框架源自马尔可夫决策过程（MDP）理论58% 相似待验证该研究提出了一个多目标框架，融合了基于强化学习的多实例学习（RL-MIL）、对抗去偏和偏好条件超网络三种技术组件56% 相似已验证课程学习（Curriculum Learning）由Bengio等人于2009年系统化提出，核心思想是模仿人类「由易到难」的学习规律54% 相似待验证2006年Geoffrey Hinton提出深度信念网络的逐层预训练方法54% 相似待验证C51（Categorical DQN）由Bellemare、Dabney和Munos于2017年提出，是分布式强化学习的开山之作54% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/905451API
curl https://kongchang.com/api/v1/knowledge/claims/905451MCP
get_claim(id=905451)