计算机科学 > 机器学习
[提交于 2025年10月21日
(v1)
,最后修订 2025年11月6日 (此版本, v5)]
标题: ADPO:基于锚点的直接偏好优化
标题: ADPO: Anchored Direct Preference Optimization
摘要: 直接偏好优化(DPO)在标注器噪声和分布偏移下效果不佳,因为它基于硬性成对标签,并且仅对对数概率差异进行正则化。我们引入了锚定直接偏好优化(ADPO),这是一种通过参考锚定扩展偏好学习到软列表监督的框架。ADPO最小化KL(q || softmax((s - s_ref) / tau_anc)),这(i)通过适当选择目标q、锚定策略和温度,恢复了监督微调、知识蒸馏、最大熵强化学习和DPO作为特殊情况;(ii)由softmax费舍尔度量引导了一个隐式的信任区域,与锚定无关;并且(iii)支持稳定的动态锚定更新。经验上,我们观察到任务相关的权衡:动态锚定在噪声下改善在线探索,而固定锚定在离线蒸馏中表现更优,在我们的基准测试中,学生-教师KL减少了最多170到5000倍。
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.