शोधकर्ताओं ने DemoPSD पेश किया, जो ऑन-पॉलिसी स्व-शिक्षण के लिए एक फ्रेमवर्क है जो शिक्षक के मार्गदर्शन का चयनात्मक रूप से अपनाने द्वारा विशेषाधिकृत जानकारी के रिसाव और ओवरफिटिंग को हल करता है। विधि छात्र को उल्टे-KL ब्यारिसेंटर लक्ष्य की ओर निर्देशित करती है, शिक्षक से सीखने और छात्र की तर्क क्षमता को बनाए रखने के बीच संतुलन बनाते हुए।
- DemoPSD प्रत्येक टोकन स्थिति में मिश्रण को अनुकूलित रूप से नियंत्रित करने के लिए वितरण असंगति का उपयोग करता है।
- यह घने टोकन-स्तर शिक्षण के तहत रिसाव में कमी और अन्वेषण की सुरक्षा को सिद्ध रूप से प्राप्त करता है।
- SciKnowEval पर प्रयोग दिखाते हैं कि यह चार वैज्ञानिक क्षेत्रों में GRPO और SDPO से बेहतर प्रदर्शन करता है।
- दृष्टिकोण उच्चतम प्रशिक्षण एन्ट्रॉपी बनाए रखता है और वितरण से बाहर GPQA बेंचमार्क पर मजबूती से सामान्यीकरण करता है।
DemoPSD मानक शिक्षक-छात्र स्व-शिक्षण में निहित अन्वेषण के दमन और क्रॉस-डोमेन सामान्यीकरण समस्याओं को प्रभावी रूप से कम करता है।