Bradley-Terry 보상 모델링
Bradley-Terry 모델은 쌍별 비교(A가 B를 이김)를 숫자 점수로 변환하는 100년 역사의 통계 방법입니다.
개요
In modern AI it powers reward models that learn human preferences from 'which answer is better?' labels, the backbone of RLHF.
심층 분석
1952년에 소개된 Bradley-Terry는 모든 항목에 숨겨진 강도 점수가 있고 항목 A가 항목 B를 이길 확률이 점수 차이의 로지스틱 함수라고 가정합니다. AI 정렬에서 이는 선호도 데이터에 깔끔하게 매핑됩니다. 인간 라벨러는 보정하기 어려운 절대 등급을 제공하는 대신 두 가지 모델 응답을 보고 더 나은 응답을 선택합니다. 일반적으로 스칼라 출력 헤드가 있는 언어 모델인 보상 모델은 인간이 선호하는 응답이 더 높은 스칼라 보상을 얻도록 훈련됩니다. 손실은 Bradley-Terry 확률의 음의 로그 가능성입니다. 즉, 로그 시그모이드(선택한 보상에서 거부된 보상을 뺀 값)를 최대화합니다. 그런 다음 결과 보상 모델은 임의의 출력에 점수를 매겨 PPO와 같은 강화 학습 알고리즘이 모델을 더욱 유용하고 정렬되도록 최적화하는 신호를 제공합니다.
기술적 통찰력
비교를 위한 훈련 손실은 단순히 (r_chosen − r_rejected)의 마이너스 로그 시그모이드이므로 모델은 상대적인 차이만 학습합니다. 이는 보상이 추가 상수까지만 식별 가능함을 의미합니다. 절대 규모는 임의적입니다. 사람의 경우 1~10 점수보다 비교가 더 쉽고 일관되기 때문에 Bradley-Terry 데이터의 노이즈가 적습니다. 나중에 Direct Preference Optimization에서는 별도의 보상 모델을 건너뛰고 정책에서 직접 Bradley-Terry 목표를 최적화할 수 있음을 보여주었습니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
Bradley-Terry 보상 모델링의 미래
Bradley-Terry는 단일한 일관된 순위와 전이적 선호를 가정하며, 이는 인간이 동의하지 않거나 선호도가 순환할 때 무너집니다. 연구는 선호도 분포, 다차원적 보상(별도로 점수를 매기는 유용성, 안전성, 정직성)을 포착하는 모델, 그리고 단일 점수 가정을 삭제하는 인간 피드백으로부터 학습하는 Nash와 같은 방법을 향해 나아가고 있습니다. DPO와 그 변종은 점점 더 Bradley-Terry 목표를 정책 교육에 직접 포함하고 있습니다. 2개 이상의 항목에 대한 순위, 신뢰도 가중치 선호도 등 더욱 풍부한 비교 방식을 통해 보상 해킹을 줄일 수 있습니다.
실제 구현
두 개의 챗봇 응답의 순위를 매기고 PPO 미세 조정에 더 나은 신호를 공급하는 RLHF의 보상 모델을 훈련합니다.
직접 선호 최적화(Direct Preference Optimization)는 Bradley-Terry 로그-시그모이드 손실을 사용하여 선택 답변과 거부 답변 쌍에 대해 직접 모델을 미세 조정합니다.
게임 결과에 대한 Bradley-Terry 모델과 수학적으로 가까운 사촌인 Elo를 통해 체스 또는 e스포츠 플레이어의 순위를 매깁니다.
절대적인 별점 대신 '사용자가 B보다 A를 선호함' 클릭 데이터로부터 콘텐츠 추천 순위를 구축합니다.
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
Bradley-Terry 보상 모델링이 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Bradley-Terry Reward Modeling quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
보상 모델링
자주 묻는 질문
What is Bradley-Terry Reward Modeling?
Bradley-Terry 모델은 쌍별 비교(A가 B를 이김)를 숫자 점수로 변환하는 100년 역사의 통계 방법입니다. 현대 AI에서는 '어떤 대답이 더 나은가?'로부터 인간의 선호도를 학습하는 보상 모델을 강화합니다. RLHF의 중추인 라벨.
Bradley-Terry 모델은 무엇을 숫자 점수로 변환합니까?
Bradley-Terry는 쌍별 'A가 B를 이긴다' 비교를 수행하고 각 항목에 대해 숨겨진 강도 점수를 추론합니다. 이것이 인간의 선호도 라벨링에 매우 잘 맞는 이유입니다.
Bradley-Terry에서 A가 B를 이길 확률은 무엇의 함수입니까?
모델은 P(A가 B를 이김)를 A와 B의 숨겨진 강도 점수 차이의 로지스틱(시그모이드)과 동일하게 설정합니다.
Bradley-Terry 보상을 덧셈 상수까지만 식별할 수 있는 이유는 무엇입니까?
훈련 손실은 선택한 보상과 거부된 보상 간의 차이만 사용하므로 모든 점수를 동일한 상수로 이동하면 손실이 변경되지 않습니다. 절대 규모는 임의적입니다.
보상 모델링에서 단일 선호도 비교에 대한 표준 손실은 무엇입니까?
Bradley-Terry 음의 로그 우도는 선택한-거부-거부 보상 차이의 마이너스 로그-시그모이드로 감소하여 선택한 응답의 보상을 더 높게 만듭니다.
정책에서 직접 Bradley-Terry 목표를 최적화하여 별도의 보상 모델을 건너뛰는 방법은 무엇입니까?
DPO는 Bradley-Terry 선호 목표를 재구성하여 정책 모델에 직접 적용할 수 있으므로 독립형 보상 모델을 훈련하고 쿼리할 필요가 없습니다.