Поиск алгоритмов оптимизации предпочтений с использованием и для больших языковых моделей

Discovering Preference Optimization Algorithms with and for Large Language Models

June 12, 2024

Авторы: Chris Lu, Samuel Holt, Claudio Fanconi, Alex J. Chan, Jakob Foerster, Mihaela van der Schaar, Robert Tjarko Lange

cs.AI

Аннотация

Оптимизация предпочтений в офлайн-режиме является ключевым методом для улучшения и контроля качества выводов больших языковых моделей (LLM). Обычно оптимизация предпочтений рассматривается как задача обучения с учителем в офлайн-режиме с использованием вручную созданных выпуклых функций потерь. Хотя эти методы основаны на теоретических идеях, они ограничены человеческим творчеством, поэтому большое пространство возможных функций потерь остается недостаточно изученным. Мы решаем эту проблему, выполняя обнаружение целей, основанное на LLM, для автоматического обнаружения новейших алгоритмов оптимизации предпочтений без (экспертного) вмешательства человека. Конкретно, мы итеративно предлагаем LLM предлагать и реализовывать новые функции потерь для оптимизации предпочтений на основе ранее оцененных метрик производительности. Этот процесс приводит к обнаружению ранее неизвестных и производительных алгоритмов оптимизации предпочтений. Лучший из них мы называем Обнаруженной Оптимизацией Предпочтений (DiscoPOP), новым алгоритмом, который адаптивно сочетает логистические и экспоненциальные потери. Эксперименты демонстрируют новейшую производительность DiscoPOP и его успешную передачу на удерживаемые задачи.

English

Offline preference optimization is a key method for enhancing and controlling the quality of Large Language Model (LLM) outputs. Typically, preference optimization is approached as an offline supervised learning task using manually-crafted convex loss functions. While these methods are based on theoretical insights, they are inherently constrained by human creativity, so the large search space of possible loss functions remains under explored. We address this by performing LLM-driven objective discovery to automatically discover new state-of-the-art preference optimization algorithms without (expert) human intervention. Specifically, we iteratively prompt an LLM to propose and implement new preference optimization loss functions based on previously-evaluated performance metrics. This process leads to the discovery of previously-unknown and performant preference optimization algorithms. The best performing of these we call Discovered Preference Optimization (DiscoPOP), a novel algorithm that adaptively blends logistic and exponential losses. Experiments demonstrate the state-of-the-art performance of DiscoPOP and its successful transfer to held-out tasks.