计算机科学 > 计算与语言
[提交于 2025年8月6日
]
标题: 基于难度的偏好数据选择通过DPO隐式奖励差距
标题: Difficulty-Based Preference Data Selection by DPO Implicit Reward Gap
摘要: 对齐大型语言模型(LLMs)与人类偏好是人工智能研究中的一个关键挑战。 虽然像从人类反馈中进行强化学习(RLHF)和直接偏好优化(DPO)这样的方法被广泛使用,但它们通常依赖于大型且昂贵的偏好数据集。 当前的工作缺乏专门针对偏好数据的高质量数据选择方法。 在本工作中,我们引入了一种基于难度的偏好数据集数据选择策略,该策略建立在DPO隐式奖励机制的基础上。 通过选择具有较小DPO隐式奖励差距的偏好数据示例,这些示例表明更具挑战性的案例,我们提高了数据效率和模型对齐度。 我们的方法在多个数据集和对齐任务中始终优于五个强大的基线,仅使用原始数据的10%就实现了卓越的性能。 这种有原则的高效选择方法为在有限资源下扩展LLM对齐提供了一个有前景的解决方案。
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.