事前学習・ファインチューニング・強化学習を単一の尤度ベース訓練アルゴリズムに統合する論文

カーネギーメロン大やジョンズ・ホプキンス大などの著者が、強化学習の目的関数をモデル生成ターゲットへの最尤フィッティングとして導出し、精度と計算量のトレードオフ改善を報告。査読前のプレプリント。