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 방법의 한계점인 유해 콘텐츠 처리의 어려움, 비선호 응답의 비효율적인 사용, 그리고 PL의 높은 계산 비용 문제를 해결하기 위해 고안되었습니다. HPS는 가장 선호되는 응답을 우선시하고 모든 비선호 및 유해 응답을 거부하는 훈련 손실을 도입하여, 특히 선호되는 응답과 유사한 "hard" 비선호 응답에 중점을 둠으로써 모델의 거부 능력을 향상시킵니다. 단일 샘플 Monte Carlo 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 보다 명확한 구분을 보장합니다. HH-RLHF 및 PKU-Safety 데이터셋에 대한 실험을 통해 HPS의 효과를 검증하여, 유사한 BLEU 및 보상 점수를 달성하면서 보상 마진을 크게 개선하여 유해 콘텐츠 생성을 줄였음을 보여줍니다.