본 논문은 대규모 언어 모델(LLM)의 응답을 인간의 선호도에 맞추는 새로운 프레임워크인 Hard Preference Sampling (HPS)을 제안합니다. 기존의 Plackett-Luce (PL) 및 Bradley-Terry (BT) 모델 기반 선호도 최적화 방법은 유해 콘텐츠 처리의 어려움, 비선호 응답의 비효율적인 활용, 그리고 PL의 높은 계산 비용과 같은 문제점을 가지고 있습니다. HPS는 가장 선호되는 응답을 우선시하고 모든 비선호 및 유해 응답을 거부하는 훈련 손실을 도입하여 이러한 문제를 해결합니다. 특히 선호되는 응답과 유사한 "어려운" 비선호 응답을 강조하여 모델의 거부 능력을 향상시키고, 단일 샘플 몬테 카를로 샘플링 전략을 활용하여 계산 오버헤드를 줄이면서 정렬 품질을 유지합니다. 이론적으로 HPS는 기존 PL 방법보다 샘플 효율성을 개선하고 선호 및 비선호 응답 간의 보상 마진을 극대화하여 더 명확한 구분을 보장합니다. HH-RLHF 및 PKU-Safety 데이터셋에 대한 실험을 통해 HPS의 효과를 검증하여, 유사한 BLEU 및 보상 점수를 달성하면서 보상 마진을 크게 향상시켜 유해 콘텐츠 생성을 줄였습니다.
