№ 001Публикация конференцииРазбор

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.