КМ-ДП: оптимизация прямого преференция при планировании ЛМЗ

arXiv: 2610,09219v1 Сообщение типа: новое резюме. Она также подвержена перекосам в длительности и стиле, когда пары предпочтений поступают из различных типовых семейств. Мы введем DPO Constrait-Margin (CM-DPO), которая заменяет двоичный сигнал предпочтения DPo постоянным маржином, получаемым из детерминистского символического проверяющего устройства и увеличенным по степени тяжести нарушения. Тяжелые и мягкие ограничения делятся на лексикографические цели, что обеспечивает торги жесткими ограничениями никогда не против преференций. Для того чтобы предоставить CM-DPO пары тренировок с предвзятым отношением, мы генерируем данные о предпочтениях на основе процедурно разработанных профилей ограничений (DCG) и минимальной перегонки дистилляции от преподавателя рассуждений (RT-MED), в рамках, которые мы называем Synplan-R. В рамках программы " Путешествие-планернер, естественный план и внераспределенный план &qt; 8В модель, скорректированная на CM-DPO