Are Large Language Models Really Robust to Word-Level Perturbations?

要約

大規模言語モデル (LLM) の規模と機能の急速な進歩により、LLM はさまざまな下流タスクのための有望なツールとして位置づけられています。
より良いパフォーマンスの追求と特定のプロンプトに対する暴力的なフィードバックの回避に加えて、LLM の責任を確保するために、LLM の堅牢性に多くの注意が払われています。
ただし、既存の評価方法はほとんどが、事前定義された教師付きラベルを備えた従来の質問応答データセットに依存しており、現代の LLM の優れた生成機能とは一致しません。
この問題に対処するために、LLM の堅牢性を評価するための診断ツールとして事前トレーニング済みの報酬モデルを活用する、新しい合理的な評価アプローチを提案します。これを、合理的堅牢性評価のための報酬モデル (TREvaL) と呼びます。
私たちの広範な実証実験により、TREval は、特により困難な未解決の質問に直面した場合に、LLM の堅牢性を評価するための正確な方法を提供することが実証されました。
さらに、我々の結果は、LLM が日常の言語使用ではよくある単語レベルの摂動に対して脆弱性を頻繁に示すことを示しています。
特に、微調整 (SFT および RLHF) が実行されると、ロバスト性が低下する傾向があることを発見して驚きました。
TREval のコードは https://github.com/Harry-mic/TREval で入手できます。

要約(オリジナル)

The swift advancement in the scale and capabilities of Large Language Models (LLMs) positions them as promising tools for a variety of downstream tasks. In addition to the pursuit of better performance and the avoidance of violent feedback on a certain prompt, to ensure the responsibility of the LLM, much attention is drawn to the robustness of LLMs. However, existing evaluation methods mostly rely on traditional question answering datasets with predefined supervised labels, which do not align with the superior generation capabilities of contemporary LLMs. To address this issue, we propose a novel rational evaluation approach that leverages pre-trained reward models as diagnostic tools to evaluate the robustness of LLMs, which we refer to as the Reward Model for Reasonable Robustness Evaluation (TREvaL). Our extensive empirical experiments have demonstrated that TREval provides an accurate method for evaluating the robustness of an LLM, especially when faced with more challenging open questions. Furthermore, our results demonstrate that LLMs frequently exhibit vulnerability to word-level perturbations, which are commonplace in daily language usage. Notably, we were surprised to discover that robustness tends to decrease as fine-tuning (SFT and RLHF) is conducted. The code of TREval is available in https://github.com/Harry-mic/TREval.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google