習得済みではなく、まだ残された部分を学ぶ：複数報酬の方策最適化に向けた飽和度を考慮した優位性の再重み付け

arXiv:2608. 16072v1 Announce Type: cross Abstract: グループ相対の優位性を用いる強化学習（RL）は、推論型言語モデルのポストトレーニングにおける事実上の標準となっている。しかし、複数の報酬目標を最適化する際、既存手法は通常、グループ単位の標準化の前に、固定された重み付き和で報酬ベクトルをスカラー化する。