EVOREFUSE: Evolutionary Prompt Optimization for Evaluation and Mitigation of LLM Over-Refusal to Pseudo-Malicious Instructions
Created by
Haebom
저자
Xiaorui Wu, Xiaofeng Mao, Xin Zhang, Fei Li, Chong Teng, Yuxiang Peng, Li Zheng, Donghong Ji, Zhuang Li
개요
본 논문은 대규모 언어 모델(LLM)의 과도한 거부(over-refusal) 문제를 해결하기 위해, 의도적으로 거부 반응을 유도하는 의사 악의적(pseudo-malicious) 프롬프트를 생성하는 새로운 방법인 EVOREFUSE를 제시합니다. EVOREFUSE는 진화 알고리즘을 사용하여 다양한 의사 악의적 프롬프트를 생성하며, 이를 통해 LLM의 거부 확률을 극대화합니다. 본 연구는 EVOREFUSE를 이용하여 두 개의 새로운 데이터셋, EVOREFUSE-TEST와 EVOREFUSE-ALIGN을 생성하였습니다. EVOREFUSE-TEST는 기존 데이터셋보다 훨씬 높은 거부율과 다양성을 보이는 의사 악의적 프롬프트 582개를 포함하며, EVOREFUSE-ALIGN은 지도 학습 및 선호도 기반 정렬 학습에 사용할 수 있는 3,000개의 프롬프트와 응답을 포함합니다. EVOREFUSE-ALIGN을 사용하여 미세 조정된 LLAMA3.1-8B-INSTRUCT 모델은 기존 모델보다 과도한 거부율을 최대 14.31%까지 줄였습니다. 분석 결과, LLM의 과도한 거부는 맥락을 무시하고 민감한 키워드에 과도하게 집중하는 데서 기인하는 것으로 나타났습니다.
시사점, 한계점
•
시사점:
◦
LLM의 과도한 거부 문제를 해결하기 위한 효과적인 프롬프트 생성 방법(EVOREFUSE) 제시.
◦
기존 데이터셋보다 훨씬 우수한 성능을 가진 새로운 의사 악의적 프롬프트 데이터셋 (EVOREFUSE-TEST, EVOREFUSE-ALIGN) 제공.
◦
과도한 거부 감소를 위한 효과적인 정렬 학습 방법 제시.
◦
LLM의 과도한 거부 원인 분석을 통한 향후 연구 방향 제시 (민감한 키워드에 대한 과도한 집중).