Direct Preference Optimization

Transcript

1. Direct Preference Optimization 機械学習の社会実装勉強会第32回 Henry 2024/2/24
2. 内容 ▪ NeurIPS 2023 Outstanding Main Track Runner-Ups 受賞 ▪ 著者に有名な先生が多い 2
3. モチベーション ▪ 大量テキストで学習した言語モデルを望ましい挙動に微調整 する必要（Alignment） • 大量コードの平均能力でなく、少量存在の優れたコードに • 一般大衆のもつ誤認識でなく、それを修正すべき ▪ Alignmentを達成するために、現状２段階の複雑な強化学習 手法を使うので、それと理論上等価なシンプルな手法を提案 3
4. RLHFアプローチの３ステップ ▪ SFT: Supervised fine-tuning ▪ Rewardモデルを学習する • RewardモデルがBradley-Terry (BT)に従う想定 • BTの仮定で導出する損失関数 ▪ RL Fine-tune • Rewardモデルを使って、下記損失関数でfine-tune ▪ 提案法はRewardとRL Fine-tuneをまとめて、rewardモデルを 使わずに学習 4
5. 提案法DPO ▪ RL Fine-tuneの損失関数の最適解 ▪ 上記最適解をrewardモデルを取り出すよう書き換える • Your Language Model Is Secretly a Reward Model ▪ Rewardモデルを学習する損失関数に代入する • BTモデルのお陰で、Zが消える • Directに言語モデルを最適化できるようになる 5
6. 実験 ▪ ３つのタスクで評価 • controlled sentiment generation • summarization • single-turn dialogue ▪ 複数スケールのデータセットでRHLFと同等またはそれ以上の 性能を確認 ▪ 多数のオープンソース言語モデルに実装 6