LLMの自己改善に向けたMCTSを通じて: ステップバイズ知識を活用したカリキュラム優先学習

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

October 9, 2024

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

cs.AI

要旨

モンテカルロ木探索（MCTS）は、最近、LLMの推論能力を向上させるための強力な手法として台頭しています。SFTやDPOなどの手法により、LLMはMCTSから高品質な振る舞いを抽出し、その推論パフォーマンスを向上させることが可能となりました。ただし、既存の蒸留手法は、MCTSによって生成された豊富な軌跡情報を不十分に活用しており、LLMの推論能力向上の可能性が制限されています。本論文では、LLMがMCTSの振る舞い蒸留を通じて自己改善することを可能にする新しいペアワイズトレーニングフレームワークであるAlphaLLM-CPLを提案します。AlphaLLM-CPLは、MCTSの軌跡を効率的に活用するための2つの主要な革新を行います：（1）AlphaLLM-CPLは、探索木内で同じ親を共有する子ノードから段階的な軌跡ペアを構築し、より効果的なMCTS振る舞い蒸留のための段階レベルの情報を提供します。 （2）AlphaLLM-CPLは、カリキュラム優先学習を導入し、オーバーフィッティングを緩和し、重要な学習ステップを優先し、各オフライントレーニングエポックで軌跡ペアのトレーニングシーケンスを動的に調整します。数学的推論タスクにおける実験結果は、AlphaLLM-CPLが従来のMCTS振る舞い蒸留手法を大幅に上回り、LLMの推論能力を著しく向上させることを示しています。

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.