计算机科学 > 计算与语言
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.