Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.00581

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.00581 (cs)
[提交于 2024年12月31日 (v1) ,最后修订 2025年2月23日 (此版本, v2)]

标题: LLMs的值是否与人类结构对齐? 因果视角

标题: Are the Values of LLMs Structurally Aligned with Humans? A Causal Perspective

Authors:Yipeng Kang, Junqi Wang, Yexin Li, Mengmeng Wang, Wenming Tu, Quansen Wang, Hengli Li, Tingjun Wu, Xue Feng, Fangwei Zhong, Zilong Zheng
摘要: 随着大型语言模型(LLMs)越来越多地融入关键应用,使其行为与人类价值观保持一致带来了重大挑战。 当前的方法,如基于人类反馈的强化学习(RLHF),通常只关注一组有限的粗粒度价值观,并且资源消耗大。 此外,这些价值观之间的相关性仍然是隐式的,导致价值观引导结果的解释不清晰。 我们的工作认为,LLMs 的价值观维度下存在一个潜在的因果价值图,并且尽管进行了对齐训练,这种结构与人类价值观体系仍有显著差异。 我们利用这些因果价值图来指导两种轻量级的价值引导方法:基于角色的提示和稀疏自编码器(SAE)引导,有效缓解了意外的副作用。 此外,SAE 提供了一种更细粒度的价值引导方法。 在 Gemma-2B-IT 和 Llama3-8B-IT 上的实验展示了我们方法的有效性和可控性。
摘要: As large language models (LLMs) become increasingly integrated into critical applications, aligning their behavior with human values presents significant challenges. Current methods, such as Reinforcement Learning from Human Feedback (RLHF), typically focus on a limited set of coarse-grained values and are resource-intensive. Moreover, the correlations between these values remain implicit, leading to unclear explanations for value-steering outcomes. Our work argues that a latent causal value graph underlies the value dimensions of LLMs and that, despite alignment training, this structure remains significantly different from human value systems. We leverage these causal value graphs to guide two lightweight value-steering methods: role-based prompting and sparse autoencoder (SAE) steering, effectively mitigating unexpected side effects. Furthermore, SAE provides a more fine-grained approach to value steering. Experiments on Gemma-2B-IT and Llama3-8B-IT demonstrate the effectiveness and controllability of our methods.
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 机器学习 (cs.LG)
引用方式: arXiv:2501.00581 [cs.CL]
  (或者 arXiv:2501.00581v2 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.00581
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yipeng Kang [查看电子邮件]
[v1] 星期二, 2024 年 12 月 31 日 18:12:05 UTC (1,769 KB)
[v2] 星期日, 2025 年 2 月 23 日 16:33:30 UTC (3,445 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.CL
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号