robust-optimization

介绍了ODRPO，一个将离散奖励分解为序数二元指标的框架，旨在提升LLMs中基于AI反馈的强化学习（RLAIF）策略优化的鲁棒性，在最小开销下实现了高达14.8%的相对改进。

本文介绍了 RQIQN，这是一种基于分位数的分布强化学习鲁棒方法，利用 Wasserstein 几何正则化来防止分布退化，并提升在风险敏感任务中的性能。