arXiv、テスト時強化学習の擬似ラベル信頼性を分析 新手法を提案
arXiv cs.AIは2026年11月6日(現地時間)、Haoyu Wang氏らが執筆した論文を公開した。この論文は、事前学習済み大規模言語モデル（LLM）を未ラベルデータに適応させるテスト時強化学習（TTRL）において、自己生成される擬似ラベルの信頼性を分析した。研究チームは、擬似ラベルの信頼性が十分に理解されていない課題を指摘し、Prompt-Conditional Distributionally Robust DPOと呼ぶ新たな手法を提案している。