Опубликовано 31 октября Дистилляция в соответствии с политикой работает с ограниченными дополнительными данными AutoDAgger восстанавливает траектории действий учителей в режиме онлайн, позволяя компактным политикам унаследовать навыки работы с большими моделями, требуя при этом лишь скромных дополнительных данных. Встраивая корректирующее поведение учителя непосредственно в цикл развертывания ученика, метод позволяет избежать дорогостоящего отдельного этапа сбора данных, который доминировал в предыдущих конвейерах дистилляции [1]. До этой работы практики полагались на чистое клонирование…