Auf dem Weg zur Selbstverbesserung von LLMs durch MCTS: Nutzung schrittweisen Wissens mit Curriculum-Präferenzlernen

Towards Self-Improvement of LLMs via MCTS: Leveraging Stepwise Knowledge with Curriculum Preference Learning

October 9, 2024

Autoren: Xiyao Wang, Linfeng Song, Ye Tian, Dian Yu, Baolin Peng, Haitao Mi, Furong Huang, Dong Yu

cs.AI

Zusammenfassung

Monte Carlo Tree Search (MCTS) hat sich kürzlich als leistungsstarke Technik zur Verbesserung der Argumentationsfähigkeiten von LLMs herauskristallisiert. Techniken wie SFT oder DPO haben es LLMs ermöglicht, hochwertige Verhaltensweisen aus MCTS zu destillieren, was ihre Argumentationsleistung verbessert hat. Allerdings nutzen bestehende Destillationsmethoden die umfangreichen Trajektorieinformationen, die von MCTS generiert werden, nicht ausreichend, was das Potenzial für Verbesserungen in der Argumentationsfähigkeit von LLMs einschränkt. In diesem Paper schlagen wir AlphaLLM-CPL vor, ein neuartiges paarweises Schulungsframework, das es LLMs ermöglicht, sich durch die Destillation von MCTS-Verhalten selbst zu verbessern. AlphaLLM-CPL nutzt MCTS-Trajektorien effizient über zwei Schlüsselinnovationen: (1) AlphaLLM-CPL erstellt schrittweise Trajektorienpaare von Kindknoten, die denselben Elternknoten im Suchbaum teilen, um schrittweise Informationen für eine effektivere Destillation des MCTS-Verhaltens bereitzustellen. (2) AlphaLLM-CPL führt Curriculum-Präferenzlernen ein, das die Schulungsreihenfolge von Trajektorienpaaren in jedem Offline-Schulungsepochen dynamisch anpasst, um kritische Lernschritte zu priorisieren und Überanpassung zu reduzieren. Experimentelle Ergebnisse zu mathematischen Argumentationsaufgaben zeigen, dass AlphaLLM-CPL signifikant besser abschneidet als bisherige MCTS-Verhaltensdestillationsmethoden und die Argumentationsfähigkeiten von LLMs erheblich steigert.

English

Monte Carlo Tree Search (MCTS) has recently emerged as a powerful technique for enhancing the reasoning capabilities of LLMs. Techniques such as SFT or DPO have enabled LLMs to distill high-quality behaviors from MCTS, improving their reasoning performance. However, existing distillation methods underutilize the rich trajectory information generated by MCTS, limiting the potential for improvements in LLM reasoning. In this paper, we propose AlphaLLM-CPL, a novel pairwise training framework that enables LLMs to self-improve through MCTS behavior distillation. AlphaLLM-CPL efficiently leverages MCTS trajectories via two key innovations: (1) AlphaLLM-CPL constructs stepwise trajectory pairs from child nodes sharing the same parent in the search tree, providing step-level information for more effective MCTS behavior distillation. (2) AlphaLLM-CPL introduces curriculum preference learning, dynamically adjusting the training sequence of trajectory pairs in each offline training epoch to prioritize critical learning steps and mitigate overfitting. Experimental results on mathematical reasoning tasks demonstrate that AlphaLLM-CPL significantly outperforms previous MCTS behavior distillation methods, substantially boosting the reasoning capabilities of LLMs.