[論文介紹] DPO：Direct Preference Optimization

Feb 27 · 7 min

DPO: Direct Preference Optimization

前言

在 LLM Fine-Tuning: Reinforcement Learning from Human Feedback 一文中，我們介紹了大型語言模型 (Large Language Model, LLM) 訓練的三個步驟：Self-Supervised Pre-Training、Supervised Fine-Tuning 和 Reinforcement Learning from Human Feedback (RLHF)。本篇文章所要分享的論文 DPO (Direct Preference Optimization) 是一篇被收錄於 NeurIPS 2023 的論文，主要針對第三階段 RLHF 的訓練流程進行改善，提出一個更有效率的訓練方法。

小提醒：在閱讀本篇文章之前，請先務必完全了解 RLHF 的概念！

為什麼需要 RLHF？

在說明 RLHF 的問題之前，我們先複習一下，為什麼 LLM 的訓練還需要經過 RLHF 呢？

主要是因為 LLM 經過 Self-Supervised Pre-Training 之後，他成為了一個名副其實的「接龍大師」，給定一個 Prompt 它的輸出會有千千萬萬種。當我們問 LLM 一個問題時，即使他知道所有可能的答案，他也不知道人類 Prefer 的是哪一種。換句話說，根據不同的情境我們會希望 LLM 輸出其中一種滿足人類偏好 (Preference) 的答案，因此我們會需要對 Pre-trained LLM 進行 Preference Learning！

目前主流的 LLM Preference Learning 主要是第二階段的 Supervised Fine-Tuning 再加上第三階段的 RLHF，然而 RLHF 訓練的複雜性與不穩定性，使得一般人很難有效率的對 LLM 進行 RLHF 訓練。因此，本篇論文主要是針對 RLHF 訓練階段的問題，提出一種新的訓練方法「DPO」。

RLHF 有什麼問題？

RLHF 中的最佳化問題

接著，我們來聊聊 RLHF 訓練階段中的問題。上圖呈現的是 RLHF 階段，需要處理的最佳化問題。在這個階段其實就是要訓練 LLM「最大化 Reward」且同時受到「KL Divergence 的限制」。可以發現兩個問題：

我需要透過事先收集好的 Preference Dataset 訓練一個 Reward Model
我們需要透過 RL 演算法（例如：Proximal Policy Optimization, PPO）讓 LLM 透過最大化 Reward 的過程來學習正確的輸出

DPO：Direct Preference Optimization

在 DPO 的方法中其實就是試圖解決上述兩個問題：

我們可不可以省去建立 Reward Model 的步驟，直接利用 Preference Dataset 訓練 LLM，讓訓練過程更有效率？
我們可不可以使用 Supervised Learning 方法而非 Reinforcement Learning，來降低模型訓練過程的不穩定性？

而提出了一個新的 Loss Function：

DPO Loss Function

從 DPO Loss Function 可以發現，給定一個 Preference Dataset 並抽樣出一個 Sample 包含 Prompt (x)、Winning Response (y_w) 與 Losing Response (y_l)；基於 Prompt (x)，模型 (PI_Theta) 必須學習讓 Winning Response (y_w) 出現的機率愈高，並讓 Losing Response (y_l) 出現的機率愈小。這個過程其實就相當於在原來的 RLHF 中，模型要學習輸出 Winning Response 來得到比較大的 Reward（避免輸出 Losing Response 因為得到的 Reward 也會比較小）。

此外，你還可以看到減號的前項與後項都分別除以參考模型 (PI_Ref) 生成相對應的 Response 的機率，這呼應了原來的 RLHF 中的 KL-Divergence 限制（不希望模型（PI_Theta）在學習的過程中，和原來的自己（PI_Ref）差異太大）。

最後，也可以發現在 DPO 的訓練過程，模型做的是 Supervised Learning 而非 Reinforcement Learning，也不需要 Reward Model 的輔助，這不僅能夠提升模型訓練時的穩定性，也能夠降低訓練過程所需要的算力。

在 DPO 的原始論文中，作者有清楚的說明如何從原來的 RLHF 最佳化過程推導出 DPO 的最佳化方式，有興趣的讀者務必讀一讀這篇論文。此外，從論文的實驗上以及 Hugging Face 中都可以看到 DPO 方法的有效性，這邊也就不再贅述。

結語

在本篇文章中，我們簡單介紹了 DPO：Direct Preference Optimization 的概念，說明他如何兼顧 RLHF 的優勢，並且改善了 RLHF 訓練的不穩定性與低效率的問題。理解了 DPO 後，不知道你心中有沒有這樣的疑問：雖然 DPO 不用建立 Reward Model，也可以透過 Supervised Learning 方式來直接優化模型，但是仍然需事先建立 Preference Dataset。我們都知道 RLHF 中用來訓練 Reward Model 的 Preference Dataset 是需要投入很多人力與時間來建立的高成本資料集，我們有沒有可能進一步改善 DPO，避免 Preference Dataset 的建立呢？

是的！在 2024 年 1 月份，就有許多論文（Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models、Self-Rewarding Language Models）被上傳到 Arxiv 上，正是希望透過一些技巧避免 Preference Dataset 的建立。