Reliability-Weighted Direct Preference Optimization: Penalized Weights for Robust Preference Learning

Bin Luo, Param Venkat Vivek Kesireddy, Anil Vallepu

На странице источника доступны аннотация, полный текст или сведения о том, где его прочитать. Препринт может ещё не пройти рецензирование; проверьте, появилась ли журнальная версия.