शोधकर्ताओं ने CARE-PPO पेश किया, एक पुनर्बल सीखने फ्रेमवर्क जो अनिश्चितता अनुमान के लिए हानि भविष्यवाणी को एक्टर-क्रिटिक PPO फाइन-ट्यूनिंग से जोड़ता है। यह दृष्टिकोण अरचनात्मक इनपुट से भाषा-आधारित मात्रात्मक भविष्यवाणी में सटीक संख्यात्मक अनुमानों और विश्वसनीय आत्मविश्वास संकेतों के संयुक्त शिक्षण की अनुमति देता है।
- CARE-PPO एक्टर को घनत्व त्रुटि-जागरूक प्रतिक्रिया प्रदान करने के लिए Confidence-Aligned Reward for Estimation का उपयोग करता है, जबकि क्रिटिक को भविष्यवाणी गुणवत्ता के साथ संरेखित करता है।
- अनुमान के दौरान क्रिटिक को आत्मविश्वास अनुमानक के रूप में पुन: उपयोग किया जाता है, जो संरेखण में लॉगिट-आधारित और कथित आधारों को पार कर जाता है।
- Qwen-3 मॉडल (4B और 8B) का उपयोग करके स्वास्थ्य और वित्त कार्यों पर मूल्यांकन किया गया, CARE-PPO बांट के बाहर सेटिंग्स के तहत मजबूत मात्रात्मक प्रदर्शन प्राप्त करता है।
- विधि सामान्य निर्देश-अनुसरण प्रॉम्प्ट्स पर कार्य-विशिष्ट ओवरफिटिंग को कम करती है, जो RL फाइन-ट्यूनिंग के व्यापक सामान्यीकरण लाभों को प्रदर्शित करती है।
CARE-PPO मौजूदा आधारों की तुलना में काफी बेहतर संरेखित आत्मविश्वास अनुमान प्रदान करके यह जानने की महत्वपूर्ण आवश्यकता को संबोधित करता है कि भविष्यवाणियों पर भरोसा किया जा सकता है।