मौजूदा एडवर्सरीयल ट्रिगर लर्निंग (ATLA) की सीमाओं को दूर करने के लिए, यह शोधपत्र संवर्धित उद्देश्यों (ATLA) के साथ एडवर्सरीयल ट्रिगर लर्निंग का प्रस्ताव करता है। ATLA मौजूदा ऋणात्मक लॉग-संभावना हानि फलन को भारित हानि फलन में सुधारता है, जिससे यह सुनिश्चित होता है कि सीखे गए एडवर्सरीयल ट्रिगर प्रतिक्रिया-प्रकार के टोकन के लिए अधिक अनुकूलित होते हैं। यह एडवर्सरीयल ट्रिगर्स को केवल एक प्रश्न-प्रतिक्रिया युग्म के साथ सीखने की अनुमति देता है, जिससे अन्य समान प्रश्नों के लिए अच्छा सामान्यीकरण सुनिश्चित होता है। इसके अलावा, एक सहायक हानि फलन जोड़कर ट्रिगर अनुकूलन को बढ़ाया जाता है जो टालमटोल करने वाली प्रतिक्रियाओं को दबा देता है। प्रायोगिक परिणाम दर्शाते हैं कि ATLA मौजूदा अत्याधुनिक तकनीकों से बेहतर प्रदर्शन करता है, लगभग 100% सफलता दर प्राप्त करता है जबकि 80% कम प्रश्नों की आवश्यकता होती है। सीखे गए एडवर्सरीयल ट्रिगर नए प्रश्नों और LLM के लिए भी अच्छी तरह से सामान्यीकृत होते हैं। स्रोत कोड सार्वजनिक रूप से उपलब्ध है।
