研究提出PLC-DPO后验标签校正方法

发生了什么

据Hugging Face Papers发布的研究，PLC-DPO（后验标签校正DPO）旨在解决偏好优化中噪声标签导致的对齐问题。该方法通过校准策略-参考边际，将训练信号路由为干净、翻转或平局状态，从而修正监督方向与强度。在57个数据集-模型-基准测试单元中，PLC-DPO取得60.5%的平均胜率，优于DPO及其他对比方法。