📖标题:Towards Robust Alignment of Language Models: Distributionally Robustifying Direct Preference Optimization
🌐来源:arXiv, 2407.07880
🛎️文章简介
🔸研究问题:如何增强直接偏好优化(DPO)框架,提高LLM对噪声的鲁棒性。
🔸主要贡献:论文引入了分布式鲁棒化的DPO(Dr.DPO),通过优化最坏的成对场景,增强了DPO模型的鲁棒性。
📝重点思路
🔺相关工作
🔸RLHF是一种广泛采用的对齐方法中技术,先通过成对偏好数据训练奖励模型,再通过PPO方法优化LLM。
🔸但其固有的强化学习性质,对计算效率和训练稳定性提出了重大挑战。
🔸DPO避开了显式奖励模型学习,通过以成对方式直接学习人类偏好排名来训练LLM。
🔺数据噪声
🔸DPO对数据质量有较高的依赖,根据其来源划分了两个主要噪声类别
🔸逐点噪声(Pointwise noise)指包含不相关或不连贯信息的低质量数据点。
🔸成对噪声(Pairwise noise)指错误的偏好排名数据对。
🔺Dr.DPO方案
🔸首先,在IMDB情感数据集上进行实验,研究逐点噪声对DPO的影响,旨在指定模糊度集中的最坏情况噪声分布下优化预期奖励。
🔸然后,基于分布式鲁棒优化(DRO)的原则,引入了一个新的参数β来调节损失函数,平衡数据对在梯度空间中的重要性,优化逐点噪声的影响。
🔸最后,引入了Dr.DPO增强对成对噪声的恢复能力,同时保持其对点噪声的固有鲁棒性。
🔎分析总结
🔸通过实验和理论分析发现,尽管逐点噪声会损害DPO性能,但DPO本身对逐点噪声具有鲁棒性。
🔸通过调整β可以有效减轻逐点噪声,但仍然存在成对噪声问题。
🔸Dr.DPO框架能够有效减轻成对噪声影响并提高响应质量,显示出强大的噪声环境适应性。
💡个人观点
论文分析了DPO的鲁棒性,并提出减轻逐点噪声和成对噪声的框架。