随着大型语言模型(LLM)的发展,从业者面临更多挑战。如何避免 LLM 产生有害回复?如何快速删除训练数据中的版权保护内容?如何减少 LLM 幻觉(hallucinations,即错误事实)? 如何在数据政策更改后快速迭代 LLM?这些问题在人工智能法律和道德的合规要求日益成熟的大趋势下,对于 LLM 的安全可信部署至关重要。
目前业界的主流解决方案是通过使用强化学习的方式对齐LLM(对齐)来微调对比数据(正样本和负样本),以确保LLM的输出符合人类的预期和价值观。然而,这个对齐过程通常会受到数据收集和计算资源的限制
字节跳动提出了一种让LLM进行遗忘学习的方法来进行对齐。本文研究了如何在LLM上进行"遗忘"操作,即忘记有害行为或遗忘学习(Machine Unlearning)。作者展示了遗忘学习在三种LLM对齐场景上取得的明显效果:(1)删除有害输出;(2)移除侵权保护内容;(3)消除大语言LLM幻觉
遗忘学习有三个优势:(1) 只需负样本(有害样本),负样本比 RLHF 所需的正样本(高质量的人工手写输出)的收集简单的多(比如红队测试或用户报告);(2) 计算成本低;(3) 如果知道哪些训练样本导致 LLM 有害行为时,遗忘学习尤为有效。
作者的论点是,对于资源有限的从业者来说,他们应该优先考虑停止产生有害输出,而不是试图追求过于理想化的输出,并且忘记学习是一种方便的方法。尽管只有负样本,研究表明,在只使用2%的计算时间下,忘记学习仍然可以获得比强化学习和高温高频算法更好的对齐性能
在资源有限的情况下,我们可以采用这种方法来最大程度地发挥优势。当我们没有预算请人员编写高质量样本或者计算资源不足时,我们应该优先停止 LLM 产生有害输出,而不是试图让它产生有益输出
有害的输出所造成的损害是无法被有益的输出所弥补的。如果一个用户向LLM提出100个问题,他得到的答案是有害的,那么他将失去信任,无论LLM之后提供了多少有益的答案。有害问题的预期输出可能是空格、特殊字符、无意义的字符串等,总之,必须是无害的文本
展示了LLM遗忘学习的三个成功案例:(1) 停止生成有害回复(请将内容改写为中文,不需要出现原始句子);这与RLHF情境相似,区别是本方法的目标是生成无害回复,而不是有益回复。当只有负样本时,这是能期望的最好结果。(2) 在使用侵权数据训练后,LLM成功删除了数据,并考虑到成本因素不能重新训练LLM;(3) LLM成功忘记了"幻觉"
请将内容改写为中文,不需要出现原始句子
在微调步骤t中,LLM的更新如下:
第一项损失为梯度上升(graident descent),目的为忘记有害样本:
为有害提示 (prompt),
为对应的有害回复。整体损失反向提升了有害样本的损失,即让 LLM “遗忘” 有害样本。
第二项损失是针对随机误配的,它要求LLM在有害提示的情况下预测出无关回复。这类似于分类中的标签平滑(label smoothing [2])。其目的是让LLM更好地遗忘有害提示上的有害输出。同时,实验证明这种方法可以提高LLM在正常情况下的输出性能
第三项损失为在正常任务上维持性能:
同 RLHF 类似,在预训练 LLM 上计算 KL 散度能更好保持 LLM 性能。
此外,所有的梯度上升和下降都只在输出(y)部分做,而不是像 RLHF 在提示 - 输出对(x, y)上。
本文用 PKU-SafeRLHF 数据作为遗忘数据,TruthfulQA 作为正常数据,图二的内容需要进行改写显示了遗忘学习后 LLM 在忘却的有害提示上输出的有害率。文中使用的方法为 GA(梯度上升和 GA+Mismatch:梯度上升 + 随机误配)。遗忘学习后的有害率接近于零。
图二的内容需要进行改写
第三张图显示了有害提示(不被遗忘)的输出结果,这是之前未曾见过的。即使是在没有被遗忘的有害提示上,LLM 的有害率也接近于零,这证明LLM遗忘的不仅仅是具体的样本,而是泛化到了包含有害概念的内容
图三
LLM 在正常样本上的性能和忘却前保持类似,同时具有以下特点
表一展示了生成的样本。可以看到在有害提示下,LLM 生成的样本都是无意义字符串,即无害输出。
表一
在其他场景中,比如忘却侵权内容和忘却幻觉,该方法的应用原文进行了详细的描述
RLHF 比较
需要改写的内容是:第二张表格展示了该方法和RLHF的比较,其中RLHF使用了正例,而遗忘学习方法只使用了负例,因此一开始该方法处于劣势。但即便如此,遗忘学习仍能达到与RLHF相似的对齐性能
需要改写的内容是:第二张表格
需要重写的内容:第四张图片显示了计算时间的比较,本方法只需 RLHF 2% 的计算时间。
需要重写的内容:第四张图片
即使只有负样本,使用遗忘学习的方法也可以获得与 RLHF 相当的无害率,并且只需使用 2% 的计算能力。因此,如果目标是停止输出有害内容,相比于 RLHF,遗忘学习的效率更高
这项研究首次探索了LLM上的遗忘学习。研究结果显示,遗忘学习是一种有希望的对齐方法,尤其是在从业者资源不足的情况下。论文展示了三种情况:遗忘学习可以成功删除有害回复、删除侵权内容和消除错觉。研究表明,即使只有负样本,遗忘学习仍然可以在仅使用RLHF计算时间的2%情况下,获得与RLHF相似的对齐效果
以上就是RLHF 2%的算力应用于消除LLM有害输出,字节发布遗忘学习技术的详细内容,更多请关注php中文网其它相关文章!
已抢141063个
抢已抢4644个
抢已抢7347个
抢已抢21576个
抢