Disentangling Length from Quality in Direct Preference Optimization

要約

ヒューマン フィードバックからの強化学習 (RLHF) は、大規模言語モデルの最近の成功において重要な要素となっています。
ただし、RLHF は冗長性など、人間の好みのバイアスを悪用することが知られています。
整った形式で雄弁な回答は、たとえそれがあまり役に立たず、客観的でなかったとしても、ユーザーからより高く評価されることがよくあります。
古典的な RLHF 文献では、こうしたバイアスを制御するための多くのアプローチが開発されてきましたが、直接優先最適化 (DPO) などの直接アライメント アルゴリズムについては、この問題は比較的研究されていません。
古典的な RLHF とは異なり、DPO は個別の報酬モデルをトレーニングしたり、強化学習を直接使用したりしないため、冗長性を制御するために開発された以前のアプローチをこの設定に直接適用することはできません。
私たちの仕事はいくつかの貢献をしています。
初めて、DPO 設定における長さの問題を研究し、DPO における重大な悪用を示し、それを配布外ブートストラップと関連付けます。
次に、モデルの品質の向上を維持しながら、長さの悪用を防ぐ、原則に基づいたシンプルな正則化戦略を開発します。
私たちは、要約と対話に関するデータセット全体でこれらの効果を実証しました。GPT4 審査員のよく知られた冗長バイアスにもかかわらず、長さを制御すると勝率が最大 20% 向上しました。

要約(オリジナル)

Reinforcement Learning from Human Feedback (RLHF) has been a crucial component in the recent success of Large Language Models. However, RLHF is know to exploit biases in human preferences, such as verbosity. A well-formatted and eloquent answer is often more highly rated by users, even when it is less helpful and objective. A number of approaches have been developed to control those biases in the classical RLHF literature, but the problem remains relatively under-explored for Direct Alignment Algorithms such as Direct Preference Optimization (DPO). Unlike classical RLHF, DPO does not train a separate reward model or use reinforcement learning directly, so previous approaches developed to control verbosity cannot be directly applied to this setting. Our work makes several contributions. For the first time, we study the length problem in the DPO setting, showing significant exploitation in DPO and linking it to out-of-distribution bootstrapping. We then develop a principled but simple regularization strategy that prevents length exploitation, while still maintaining improvements in model quality. We demonstrate these effects across datasets on summarization and dialogue, where we achieve up to 20\% improvement in win rates when controlling for length, despite the GPT4 judge’s well-known verbosity bias.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google