Efficient LLM Comparative Assessment: a Product of Experts Framework for Pairwise Comparisons

要約

LLM-as-a-judge アプローチは、さまざまなテキスト タスクを評価するための実用的かつ効果的な方法です。
ただし、ペアごとの比較を使用して候補セットをランク付けする場合、計算コストは​​候補の数に応じて二次関数的に増加するため、実際的な制限があります。
このペーパーでは、効率的な LLM 比較評価のための Product of Expert (PoE) フレームワークを紹介します。
ここでは、個々の比較は、ペアのスコア差に関する情報を提供する専門家とみなされます。
PoE フレームワークは、これらの専門家からの情報を組み合わせて、基礎となる候補セットに関して最大​​化できる式を生成し、あらゆる形式の専門家を想定できる非常に柔軟なフレームワークです。
ガウスのエキスパートを使用すると、最適な候補のランク付けのための単純な閉形式の解と、このランク付けの確率を最大化するためにどの比較を行うべきかを選択するための式を導き出すことができます。
私たちのアプローチは効率的な比較評価を可能にし、可能な比較の小さなサブセットのみを使用することで、人間の判断とよく相関するスコア予測を生成できます。
複数の NLG タスクに対するアプローチを評価し、ペアごとの比較評価を実行する際に、フレームワークが大幅な計算量の節約をもたらすことを実証します。
候補テキストが多数ある場合、わずか 2% の比較を使用するだけで、PoE ソリューションはすべての比較を使用した場合と同様のパフォーマンスを達成できます。

要約(オリジナル)

LLM-as-a-judge approaches are a practical and effective way of assessing a range of text tasks. However, when using pairwise comparisons to rank a set of candidates, the computational cost scales quadratically with the number of candidates, which has practical limitations. This paper introduces a Product of Expert (PoE) framework for efficient LLM Comparative Assessment. Here individual comparisons are considered experts that provide information on a pair’s score difference. The PoE framework combines the information from these experts to yield an expression that can be maximized with respect to the underlying set of candidates, and is highly flexible where any form of expert can be assumed. When Gaussian experts are used one can derive simple closed-form solutions for the optimal candidate ranking, and expressions for selecting which comparisons should be made to maximize the probability of this ranking. Our approach enables efficient comparative assessment, where by using only a small subset of the possible comparisons, one can generate score predictions that correlate well with human judgements. We evaluate the approach on multiple NLG tasks and demonstrate that our framework can yield considerable computational savings when performing pairwise comparative assessment. With many candidate texts, using as few as 2% of comparisons the PoE solution can achieve similar performance to when all comparisons are used.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google