Каталог
Найдено: 1 из 269 · теги в строках тоже фильтруют
Uncertainty-Aware Reward Modeling: A Large-Scale Case Study in Video Recommendation
Лёгкий ранкер YouTube использует байесовский последний слой либо квантили награды для исследования кандидатов. Квантильная политика добавляет к медиане бонус за ширину интервала с отдельным правилом для телевизоров.
Google YouTube, Google DeepMind
Публикация конференцииZotero ↗