Ajuste de Preferência com Feedback Humano em Tarefas de Linguagem, Fala e Visão: Uma Pesquisa

Preference Tuning with Human Feedback on Language, Speech, and Vision Tasks: A Survey

September 17, 2024

Autores: Genta Indra Winata, Hanyang Zhao, Anirban Das, Wenpin Tang, David D. Yao, Shi-Xiong Zhang, Sambit Sahu

cs.AI

Resumo

A afinação de preferências é um processo crucial para alinhar modelos generativos profundos com as preferências humanas. Esta pesquisa oferece uma visão abrangente dos avanços recentes na afinação de preferências e na integração do feedback humano. O artigo está organizado em três seções principais: 1) introdução e preliminares: uma introdução aos frameworks de aprendizado por reforço, tarefas de afinação de preferências, modelos e conjuntos de dados em várias modalidades: linguagem, fala e visão, bem como diferentes abordagens de política, 2) exame detalhado de cada abordagem de afinação de preferências: uma análise detalhada dos métodos utilizados na afinação de preferências, e 3) aplicações, discussão e direções futuras: uma exploração das aplicações da afinação de preferências em tarefas subsequentes, incluindo métodos de avaliação para diferentes modalidades, e uma visão sobre as futuras direções de pesquisa. Nosso objetivo é apresentar as últimas metodologias em afinação de preferências e alinhamento de modelos, aprimorando a compreensão deste campo para pesquisadores e profissionais. Esperamos incentivar maior engajamento e inovação nesta área.

English

Preference tuning is a crucial process for aligning deep generative models with human preferences. This survey offers a thorough overview of recent advancements in preference tuning and the integration of human feedback. The paper is organized into three main sections: 1) introduction and preliminaries: an introduction to reinforcement learning frameworks, preference tuning tasks, models, and datasets across various modalities: language, speech, and vision, as well as different policy approaches, 2) in-depth examination of each preference tuning approach: a detailed analysis of the methods used in preference tuning, and 3) applications, discussion, and future directions: an exploration of the applications of preference tuning in downstream tasks, including evaluation methods for different modalities, and an outlook on future research directions. Our objective is to present the latest methodologies in preference tuning and model alignment, enhancing the understanding of this field for researchers and practitioners. We hope to encourage further engagement and innovation in this area.