Accélération de l'apprentissage de Nash à partir de retours humains via la méthode de prox miroir

Accelerating Nash Learning from Human Feedback via Mirror Prox

May 26, 2025

Auteurs: Daniil Tiapkin, Daniele Calandriello, Denis Belomestny, Eric Moulines, Alexey Naumov, Kashif Rasul, Michal Valko, Pierre Menard

cs.AI

Résumé

L'apprentissage par renforcement traditionnel à partir de retours humains (RLHF) repose souvent sur des modèles de récompense, supposant fréquemment des structures de préférences comme le modèle de Bradley-Terry, qui peuvent ne pas capturer avec précision les complexités des préférences humaines réelles (par exemple, l'intransitivité). L'apprentissage de Nash à partir de retours humains (NLHF) propose une alternative plus directe en formulant le problème comme la recherche d'un équilibre de Nash dans un jeu défini par ces préférences. Dans ce travail, nous introduisons Nash Mirror Prox (Nash-MP), un algorithme NLHF en ligne qui exploite le schéma d'optimisation Mirror Prox pour atteindre une convergence rapide et stable vers l'équilibre de Nash. Notre analyse théorique établit que Nash-MP présente une convergence linéaire de la dernière itération vers l'équilibre de Nash régularisé par beta. Plus précisément, nous prouvons que la divergence de Kullback-Leibler par rapport à la politique optimale diminue à un taux de l'ordre de (1+2beta)^{-N/2}, où N est le nombre de requêtes de préférences. Nous démontrons également une convergence linéaire de la dernière itération pour l'écart d'exploitabilité et uniformément pour la semi-norme de l'écart des log-probabilités, tous ces taux étant indépendants de la taille de l'espace d'actions. De plus, nous proposons et analysons une version approximative de Nash-MP où les étapes proximales sont estimées en utilisant des gradients de politique stochastiques, rapprochant ainsi l'algorithme des applications pratiques. Enfin, nous détaillons une stratégie d'implémentation pratique pour le réglage fin de grands modèles de langage et présentons des expériences qui démontrent ses performances compétitives et sa compatibilité avec les méthodes existantes.

English

Traditional Reinforcement Learning from Human Feedback (RLHF) often relies on reward models, frequently assuming preference structures like the Bradley-Terry model, which may not accurately capture the complexities of real human preferences (e.g., intransitivity). Nash Learning from Human Feedback (NLHF) offers a more direct alternative by framing the problem as finding a Nash equilibrium of a game defined by these preferences. In this work, we introduce Nash Mirror Prox (Nash-MP), an online NLHF algorithm that leverages the Mirror Prox optimization scheme to achieve fast and stable convergence to the Nash equilibrium. Our theoretical analysis establishes that Nash-MP exhibits last-iterate linear convergence towards the beta-regularized Nash equilibrium. Specifically, we prove that the KL-divergence to the optimal policy decreases at a rate of order (1+2beta)^{-N/2}, where N is a number of preference queries. We further demonstrate last-iterate linear convergence for the exploitability gap and uniformly for the span semi-norm of log-probabilities, with all these rates being independent of the size of the action space. Furthermore, we propose and analyze an approximate version of Nash-MP where proximal steps are estimated using stochastic policy gradients, making the algorithm closer to applications. Finally, we detail a practical implementation strategy for fine-tuning large language models and present experiments that demonstrate its competitive performance and compatibility with existing methods.