研究者ら、ピア報酬型推論フレームワーク「Co-RL」を提案

arXivに掲載された新しい論文が、正解データによる監督なしに推論能力を高める協調型マルチエージェント強化学習フレームワーク「Co-RL」を紹介した。この手法では、パラメータを共有しない複数の分離されたモデルを訓練し、自己生成フィードバックだけに頼るのではなく、ピアモデルから得た報酬を用いる。著者らは、モデルファミリーや規模、言い換えた訓練サンプルにまたがるコホートの多様性が、自己強化的なフィードバックループや訓練崩壊を招き得る相関エラーを減らすと主張している。