본 논문은 RLHF(Reinforcement Learning from Human Feedback)에서 인간의 선호도 모델링에 있어 인간의 보상 함수나 최적 상태-행동 값만 고려하는 기존 방식을 넘어, 훈련 중인 에이전트의 능력에 대한 인간의 믿음 또한 중요한 역할을 한다는 주장을 제기합니다. 이 가설과 관련된 기술적 질문(인간 레이블러의 에이전트 능력에 대한 믿음이 선호도에 영향을 미치는가?)과 규범적 질문(인간이 가져야 할 에이전트에 대한 이상적인 믿음의 집합과 그에 따른 선호도는 무엇인가?)에 대해 탐구합니다. 인간의 믿음을 통합한 새로운 선호도 모델을 제안하고, 인간의 믿음과 이상적인 믿음의 불일치에 기반하여 최종 학습된 정책의 오차를 경계하는 규범적 이론을 제공합니다. 인간 연구를 통해 에이전트 능력에 대한 믿음이 실제로 선호도에 상당한 영향을 미치며 간단한 개입을 통해 영향을 받을 수 있음을 확인하고, 합성 실험을 통해 인간 선호도 레이블러가 에이전트의 최적성을 가정하는 것이 종종 비최적임을 실험적으로 보여줍니다. 결론적으로 인간의 믿음과 에이전트의 능력 간의 불일치를 줄이면 더 성능이 좋은 RLHF로 이어질 수 있음을 이론적 및 실험적으로 증명하고, RLHF 실무자를 위한 새로운 모범 사례를 제시합니다.
