【DL輪読会】Oral 1A Alignment セッションの紹介
1.2K Views
August 01, 24
スライド概要
DL輪読会資料
関連スライド
各ページのテキスト
DEEP LEARNING JP [DL Papers] Oral 1A Alignment セッションの紹介 Kotaro Sakamoto, Matsuo Lab http://deeplearning.jp/ 1
導入 特任研究員 坂本 航太郎 拡散モデルやLLMの理論（よりの）研究をしています LLMについては合成データ・自己進化に特に関心があります 現地参加（発表）してきました 感想 LLM・拡散モデルのテーマがやはり非常に多かったですね （メタサイエンス的感想）飽和気味（特にポスター発表:全部回ろうとすると30秒） データ枯渇問題やSafety/Alignmentの注目度が高めの印象 出典 https://medium.com/@taks.skyfoliage.com/explanatory-data-analysis-eda-of-the-paper-list-in-icml2024-6bb5fee4b0f0 2
書誌 ❶ Debating with More Persuasive LLMs Leads to More Truthful Answers LLMをディベートさせて 「説得力」をジャッジ →正解に近い ArXiv https://arxiv.org/abs/2402.06782 Code https://github.com/ucl-dark/llm_debate ICML Page https://icml.cc/virtual/2024/oral/35483 Results https://llm-debate.com/ Fig2 ① 解答が正しい理由 ② 参照テキストからエビデンス引用 ③ 相手の主張に対するクリティーク Fig1 3
書誌 ❶ Debating with More Persuasive LLMs Leads to More Truthful Answers Fig3 「説得力」 https://www.alignmentforum.org/posts/QtqysYdJRenWFeWc4 /anthropic-fall-2023-debate-progress-update 「説得力」のあるディベーター はSelf-playでも高精度 Elo rating (イロレーティング)： 新しいレーティング値 = 現在のレーティング値 + 定数K x (実際の勝率 – 期待勝率) 使用したデータセット： QuALITY: Question Answering with Long Input Texts, Yes! 4
書誌 ❶ Debating with More Persuasive LLMs Leads to More Truthful Answers 強いコンサルは弱い Fig4 Fig6 Fig5 ジャッジの差の検証 人間によるジャッジ 5
書誌 ❶ Debating with More Persuasive LLMs Leads to More Truthful Answers まとめ • 人間がLLMの応答の正しさを判断できなくなるリスク（スーパーアライメント） • 解答の異なるLLM同士をディベートさせて，ジャッジが「説得力」を評価する • ディベーターモデルは文献を参照できる（専門家モデル） • ジャッジは文献にアクセスできない • 発展：コーディング・数学・科学への応用，知識のギャップではなく推論のギャッ プ，Deceptiveなモデルを使ってみる 所感 • 複数のモデルを使うのはトレンド 関連論文 • Don’t Hallucinate, Abstain: Identifying LLM Knowledge Gaps via Multi-LLM Collaboration https://arxiv.org/abs/2402.00367 • On scalable oversight with weak LLMs judging strong LLMs https://arxiv.org/abs/2407.04622 • https://www.lesswrong.com/posts/vyoNsLYJXJtCY8CSr/nyu-debate-training-updatemethods-baselines-preliminary 6
書誌 ❷ Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision スーパーアライメント：弱いモデルで強いモデル を訓練して汎化させたい ArXiv https://arxiv.org/abs/2312.09390 Code https://github.com/openai/weak-to-strong ICML Page https://icml.cc/virtual/2024/oral/35486 • GPT-4/3.5を生徒，GPT-2レベルを教師して ファインチューニングした→NLPタスクで は汎化できる一方，人間の嗜好の学習は 難しい Fig2 7
書誌 ❷ Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision Performance Gap Recovered (PGR) • 22のNLP二値分類タスク（倫理・推論・ 感情分析） • チェスのパズル（生成的タスク） • ChatGPTの報酬モデリング（RLHFにおけ る人間の嗜好を予測するための報酬モデ ルの学習） テスト 精度 • Weak-to-Strongの汎化は期待できる一方 大きいモデルほどPGRが低下 PGR モデル サイズ 8
書誌 ❷ Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision ブートストラップ（中間モデルの導入）で改善 Weak-to-Strong 汎化の理解 モデル（計算量）のギャップが大きい場合に訓練の早い段 階で弱いモデルのラベルにオーバーフィット （早期停止は御法度） 補助損失の導入で改善 強いモデルほど教師モデルの 出力の一致率は低下 9
書誌 ❷ Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision Weak-to-Strong 汎化の理解（つづき） • モデルサイズが大きくなるほどプロンプトエンジニア リングが有効 • Few-shotプロンプト（5ショット）はかなり増加 （GPT-4の場合のゼロショットの差はほとんどない） →モデルサイズが大きくなるほど関連知識を引き出せ る • 教師なしデータ追加で報酬モデルの性能が 改善 10
書誌 ❷ Weak-to-Strong Generalization: Eliciting Strong Capabilities With Weak Supervision まとめ・議論 • 誤りも簡単に模倣してしまう • 人間のデータで訓練しても人間レベルの結果を出力するだけ • 事前学習データのリーク問題 所感 • モデルの劣化・GTを超えてない • Empirical studiesである 関連論文 • Easy-to-Hard Generalization: Scalable Alignment Beyond Human Supervision https://arxiv.org/abs/2403.09472 DL輪読会資料 https://deeplearning.jp/en/easy-to-hard-generalization-scalable-alignment-beyond-humansupervision/ 11
書誌 ❸ A Mechanistic Understanding of Alignment Algorithms: A Case Study on DPO and Toxicity DPO後にToxicityはどのように表現されているか？ • Toxicityの重みは変化しない • Toxic ベクトルの活性度は下がる ArXiv https://arxiv.org/abs/2401.01967 Code https://github.com/ajyl/dpo_toxic ICML Page https://icml.cc/virtual/2024/oral/35502 12
書誌 ❹ Is DPO Superior to PPO for LLM Alignment? A Comprehensive Study DPOよりPPOの方がいい！ 大会ポスターより ArXiv https://arxiv.org/abs/2404.10719 ICML Page https://icml.cc/virtual/2024/oral/35568 13