Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

DPO Meets PPO: Reinforced Token Optimization for RLHF

Created by
  • Haebom

저자

Han Zhong, Zikang Shan, Guhao Feng, Wei Xiong, Xinle Cheng, Li Zhao, Di He, Jiang Bian, Liwei Wang

개요

본 논문은 기존 강화학습 기반 인간 피드백(RLHF) 프레임워크에서 Proximal Policy Optimization (PPO)의 한계를 극복하기 위해, RLHF 문제를 마르코프 의사결정 과정(MDP)으로 모델링하는 새로운 프레임워크와 강화 토큰 최적화(Reinforced Token Optimization, RTO) 알고리즘을 제시합니다. RTO는 선호도 데이터로부터 토큰 단위 보상 함수를 학습하고, 이를 기반으로 정책 최적화를 수행합니다. Direct Preference Optimization (DPO)와 PPO를 통합하여 토큰 단위 응답 품질을 특징짓고, 샘플 효율적으로 거의 최적의 정책을 찾을 수 있음을 이론적으로 증명합니다. 실험 결과, RTO는 PPO 및 다른 직접 선호도 학습 알고리즘보다 우수한 성능을 보이며, AlpacaEval 2 벤치마크에서 PPO보다 7.5점, Arena-Hard에서 4.1점 높은 성능을 기록했습니다.

시사점, 한계점

시사점:
RLHF에서 토큰 단위 정보를 활용하여 더욱 정교한 정책 학습이 가능함을 보여줍니다.
DPO와 PPO의 효과적인 통합을 통해 기존 PPO의 한계를 극복하고 성능을 향상시켰습니다.
RTO 알고리즘의 이론적 근거를 제시하고, 실험적으로 그 효과를 검증했습니다.
공개된 코드와 모델을 통해 재현성을 확보했습니다.
한계점:
제시된 알고리즘의 성능 향상이 특정 벤치마크에 국한될 가능성이 있습니다.
토큰 단위 보상 함수 학습의 계산 비용이 증가할 수 있습니다.
다양한 RLHF 문제에 대한 일반화 성능에 대한 추가적인 연구가 필요합니다.
👍