This work aims to study off-policy evaluation (OPE) under scenarios where two key reinforcement learning (RL) assumptions—temporal stationarity and individual homogeneity are both violated. To hand

DataCite Commons2024-10-11 更新70

TAUR-dev/D-ExpTracker__1113_newmodels__llama3b_bs1_ct3arg__v1

强化学习

模型训练

该数据集包含了用于实验1113_newmodels__llama3b_bs1_ct3arg的多个配置文件和日志，具体包括超参数配置、日志记录、元数据和训练数据元数据。这些配置和日志用于记录和跟踪实验的各个阶段和模型训练过程。

Hugging Face2025-11-13 更新70

Additional file 15 of A dynamic approach to support outbreak management using reinforcement learning and semi-connected SEIQR models

疫情管理

强化学习

Supplementary Material 15.

DataCite Commons2024-08-15 更新100

luca0621/multi-RLHF-processed-llama1B-dataset-with-1000-rewards

自然语言处理

强化学习

该数据集包含查询（query）、响应（response）和奖励（reward）三个特征，其中查询和响应为字符串类型，奖励为浮点数类型。数据集分为训练集和测试集，训练集包含8000个样本，测试集包含2000个样本。总下载大小为2276183字节，数据集总大小为7148705字节。

Hugging Face2024-11-30 更新70

Deep-CoRGI

资源简介：

相关数据集