コンテンツにスキップ

言語の選択

現在の言語: 日本語

RLHF

Source: https://github.com/opendilab/awesome-RLHF at 96acdd4571e7
License: Apache-2.0
Read the English original

This edition is an AI-assisted translation.

アウィサム RLHF (人間のフィードバックのRL)

Section titled “アウィサム RLHF (人間のフィードバックのRL)”

Awesome visitor badge GitHub stars GitHub forks GitHub license

ヒューマンフィードバックで学ぶの補強のための研究論文の集です()RLHF)。 リポジトリは継続的に更新され、フロンティアを追跡します RLHF.

ようこそフォローして星へ!

コンセプト RLHF 強化学習から直接人間のフィードバックで言語モデルを最適化するためのメソッドを使用することです。 RLHF テキストデータの一般的なコルパスで訓練されたモデルを複雑な人間の値に整列し始める言語モデルを有効にしました。

  • RLHF 大きい言語モデルのため()LLM)

image info

  • RLHF ビデオゲーム(例) Atari)

image info

(次のセクションは自動的に生成されます) ChatGPT)

RLHF 一般的に「人間のフィードバックで学習する補強」を参照してください。 強化学習(RL)は、その環境からのフィードバックに基づいて意思決定を行うためにエージェントを訓練することを含む機械学習の一種です。 インスタグラム RLHF, エージェントは、その行動の評価や評価の形で人からのフィードバックを受け取ります, それはより迅速かつ正確に学ぶことができます.

RLHF ロボット、ゲーム、パーソナライズされた推奨システムなどの分野におけるアプリケーションと、人工知能のアクティブな研究領域です。 エージェントが環境からのフィードバックへのアクセスを制限し、その性能を向上させるために人間の入力を必要とするシナリオでRLの課題に対処することを目指しています。

人間のフィードバックで学習する補強 (RLHF)は人工知能の研究の急速に発達した区域であり、性能を改善するために開発された複数の先端技術があります RLHF システム。 ここにいくつかの例があります。

  • Inverse Reinforcement Learning (IRL): IRL エージェントは、あらかじめ定義された報酬関数に依存するのではなく、人間のフィードバックから報酬関数を学ぶことができる技術です。 これにより、エージェントは、希望する行動のデモンストレーションなど、より複雑なフィードバック信号から学習することができます。

  • Apprenticeship Learning: 実習生が融合する技術 IRL エージェントが人間のフィードバックと専門家のデモの両方から学ぶことを可能にするように指示された学習を使って。 これは、エージェントがプラスとマイナスのフィードバックの両方から学ぶことができるので、より迅速かつ効果的に学習するのに役立ちます。

  • Interactive Machine Learning (IML): IML エージェントと人の専門家の間で積極的な相互作用を伴う技術で、エキスパートがエージェントの行動をリアルタイムでフィードバックできるようにします。 エージェントは、学習プロセスの各ステップでそのアクションに対するフィードバックを受信できるように、より迅速かつ効率的に学習するのに役立ちます。

  • Human-in-the-Loop Reinforcement Learning (HITLRL): HITLRL リワードシェーピング、アクション選択、ポリシー最適化など、複数のレベルのRLプロセスに人間のフィードバックを統合する技術です。 これは、効率と有効性を改善するのに役立ちます RLHF 人と機械の強みを生かしたシステム。

人間のフィードバックで学習する補強の例は次のとおりです。RLHF):

  • Game Playing: ゲームプレイでは、人間のフィードバックは、エージェントが異なるゲームシナリオで有効である戦略と戦術を学ぶのを助けることができます。 たとえば、Goの人気ゲームでは、人間の専門家は、その動きのエージェントにフィードバックを提供でき、ゲームプレイと意思決定を向上させることができます。

  • Personalized Recommendation Systems: 推奨システムでは、人的フィードバックは、エージェントが個々のユーザーの好みを学び、パーソナライズされた勧告を提供できるようにするのに役立ちます。 たとえば、エージェントは、ユーザーが推奨する製品からフィードバックを使用して、どの機能がそれらにとって最も重要なかを知ることができます。

  • Robotics: ロボティクスでは、人間のフィードバックは、エージェントが安全で効率的な方法で物理的な環境と相互作用する方法を学ぶのを助けることができます。 たとえば、ロボットは新しい環境を素早くナビゲートし、最良の方法やオブジェクトを避けるために、人間のオペレータからのフィードバックでより迅速に移動することができます。

  • Education: 教育では、人間のフィードバックは、エージェントがより効果的に学生を教える方法を学ぶのを助けることができます。 たとえば、AIベースのチューターは、さまざまな学生と戦略を教える教師からのフィードバックを使用して、学習経験をパーソナライズするのに役立ちます。

また、 リンクはこちら AI強化紙の読書体験を得る。

format:
- [title](paper link) [links]
- author1, author2, and author3...
- publisher
- keyword
- code
- experiment environments and datasets
format:
- [title](codebase link) [links]
- author1, author2, and author3...
- keyword
- experiment environments, datasets or tasks
  • Reinforcement Learning from Human Feedback (RLHF) in Notebooks
    • Ashwani Kumar
    • step-by-step, Video tutorial, Jupyter notebooks, GPT-2, Reward Model, PPO, Pedagogical
    • データセット: stanfordnlp/sst2
    • タスク: 肯定的な感情でテキストを生成する
    • 環境: Google Colab
  • veRL: Volcano Engine Reinforcement Learning for LLM
    • ByteDance Seed MLSys Team & HKU: Guangming Sheng, Chi Zhang, Zilingfeng Ye, Xibin Wu, Wang Zhang, Ru Zhang, Yanghua Peng, Haibin Lin, Chuan Wu
    • キーワード: Flexible, Efficient, RLHF framework
    • タスク: RLHF, 数学と数学を含むタスクを関連付ける code.
  • OpenRLHF
    • OpenRLHF
    • キーワード: 70B, RLHF, DeepSpeed, Ray, vLLM
    • タスク: 使いやすい、スケーラブルで高性能 RLHF フレームワーク(サポート70B+フルチューニング&LoRA&Mixtral&KTO)。
  • Potato
    • David Jurgens et al.
    • キーワード: Annotation, Human Evaluation, Quality Control, AI-Assisted Labeling
    • タスク: 20以上のアノテーションタイプとエージェントトレース評価による人的評価とフィードバック収集のためのポータブルアノテーションプラットフォーム
  • PaLM + RLHF - Pytorch
    • Phil Wang, Yachine Zahidi, Ikko Eltociear Ashimine, Eric Alcaide
    • キーワード: Transformers, PaLM architecture
    • データセット: enwik8
  • lm-human-preferences
    • Daniel M. Ziegler, Nisan Stiennon, Jeffrey Wu, Tom B. Brown, Alec Radford, Dario Amodei, Paul Christiano, Geoffrey Irving
    • キーワード: Reward learning for language, Continuing text with positive sentiment, Summary task, Physical descriptive
    • データセット: TL;DR, CNN/DM
  • following-instructions-human-feedback
    • Long Ouyang, Jeff Wu, Xu Jiang, et al.
    • キーワード: Large Language Model, Align Language Model with Human Intent
    • データセット: TruthfulQA RealToxicityPrompts
  • Transformer Reinforcement Learning (TRL)
    • Leandro von Werra, Younes Belkada, Lewis Tunstall, et al.
    • キーワード: Train LLM with RL, PPO, Transformer
    • タスク: IMDB sentiment
  • Transformer Reinforcement Learning X (TRLX)
    • Jonathan Tow, Leandro von Werra, et al.
    • キーワード: Distributed training framework, T5-based language models, Train LLM with RL, PPO, ILQL
    • タスク: ファインチューニング LLM 指定されたリワード機能またはリワードラベルされたデータセットを使用してRL
  • RL4LMs (A modular RL library to fine-tune language models to human preferences)
  • LaMDA-rlhf-pytorch
    • Phil Wang
    • キーワード: LaMDA, Attention-mechanism
    • タスク: PyTorch の Google の LaMDA リサーチ ペーパーのオープンソースの事前トレーニングの実施
  • TextRL
    • Eric Lam
    • キーワード: huggingface’s transformer
    • タスク: テキスト生成
    • 環境: PFRL, gym
  • minRLHF
    • Thomfoster
    • キーワード: PPO, Minimal library
    • タスク: 教育目的
  • DeepSpeed-Chat
    • Microsoft
    • キーワード: Affordable RLHF Training
  • Dromedary
    • IBM
    • キーワード: Minimal human supervision, Self-aligned
    • タスク: 最小限の人間の監督と訓練される自己一直線の言語モデル
  • FG-RLHF
    • Zeqiu Wu, Yushi Hu, Weijia Shi, et al.
    • キーワード: Fine-Grained RLHF, providing a reward after every segment, Incorporating multiple RMs associated with different feedback types
    • タスク: 密度と複数のRMで細かく刻まれた報酬機能のトレーニングと学習を可能にするフレームワーク -Safe-RLHF
    • Xuehai Pan, Ruiyang Sun, Jiaming Ji, et al.
    • キーワード: Support popular pre-trained models, Large human-labeled dataset, Multi-scale metrics for safety constraints verification, Customized parameters
    • タスク: 禁忌の価値-アライメント LLM 安全に RLHF
  • VinePPO
    • Amirhossein Kazemnejad, Milad Aghajohari, et al.
    • キーワード: Performant Implementation of RL algorithms for Reasoning, PPO, DPO, RestEM, Monte Carlo Value Estimation
    • タスク: MATHとGSM8Kを含むタスクを関連付ける
format:
- [title](dataset link) [links]
- author1, author2, and author3...
- keyword
- experiment environments or tasks
  • HH-RLHF
    • Ben Mann, Deep Ganguli
    • キーワード: Human preference dataset, Red teaming data, machine-written
    • タスク: 有用性と無害性に関する人間の好みデータのためのオープンソースのデータセット
  • Stanford Human Preferences Dataset(SHP)
    • Ethayarajh, Kawin and Zhang, Heidi and Wang, Yizhong and Jurafsky, Dan
    • キーワード: Naturally occurring and human-written dataset,18 different subject areas
    • タスク: 訓練に使用するべき RLHF 報酬モデル
  • PromptSource
    • Stephen H. Bach, Victor Sanh, Zheng-Xin Yong et al.
    • キーワード: Prompted English datasets, Mapping a data example into natural language
    • タスク: 自然言語プロンプトの作成、共有、使用するためのツールキット
  • Structured Knowledge Grounding(SKG) Resources Collections
    • Tianbao Xie, Chen Henry Wu, Peng Shi et al.
    • キーワード: Structured Knowledge Grounding
    • タスク: データセットの収集は、構造化された知識の接地に関連しています
  • The Flan Collection
    • Longpre Shayne, Hou Le, Vu Tu et al.
    • タスク: Flan 2021、P3、Super-Natural Instructions からデータセットをコンパイル
  • rlhf-reward-datasets
    • Yiting Xie
    • キーワード: Machine-written dataset
  • webgpt_comparisons
    • OpenAI
    • キーワード: Human-written dataset, Long form question answering
    • タスク: 人間の好みと一直線に並ぶモデルに答える長いフォームの質問を訓練して下さい
  • summarize_from_feedback
    • OpenAI
    • キーワード: Human-written dataset, summarization
    • タスク: 人間の好みと整列するために要約モデルを訓練
  • Dahoas/synthetic-instruct-gptj-pairwise
    • Dahoas
    • キーワード: Human-written dataset, synthetic dataset
  • Stable Alignment - Alignment Learning in Social Games
    • Ruibo Liu, Ruixin (Ray) Yang, Qiang Peng
    • キーワード: Interaction data used for alignment training, Run in Sandbox
    • タスク: 記録されたインタラクションデータをシミュレートしたソーシャルゲームでトレイン
  • LIMA
    • Meta AI
    • キーワード: without any RLHF, few carefully curated prompts and responses
    • タスク: LIMAモデルのトレーニングに使用されるデータセット

Turkish

私たちの目的は、このレポをより良いものにすることです。 ご協力のほどよろしくお願いします。 HERE 貢献の指示のため。

アウィサム RLHF Apache 2.0 ライセンスでリリースされます。

HagiCode

HagiCode はエージェント型コーディングワークスペースです。豊富で便利な UI インタラクションにより、計画・エージェント実行・プロジェクト作業を始めやすく、進めやすくし、開発をより魅力的な体験にします。

豊富で便利な UI インタラクションで、計画からプロジェクト作業までを分かりやすく進められます。

HagiCode を見るドキュメントを読む
  • スマートOpenSpec ワークフローが意図を、提案・設計・タスクから変更のリリースまで実行可能な道筋にします。
  • 効率的マルチエージェント実行で調査・実装・レビューを並行して進め、複数リポジトリや使い慣れた Agent CLI にも対応します。
  • 興味深い豊富で便利な UI インタラクションにより、計画・エージェント実行・プロジェクト作業を始めやすく、進めやすくします。

Windows 版をダウンロード

Microsoft Store で入手すべてのダウンロード

アイデアを、出荷できるソフトウェアへ。

HagiCode はエージェント型コーディングワークスペースです。OpenSpec ワークフローで変更を計画し、マルチエージェント実行で進め、Hero Scenario で長い作業の進み具合を見える化して、アイデアを出荷できるソフトウェアにします。

スマート
OpenSpec ワークフローが、意図を提案からリリースまでの実行可能な道筋にします。
効率的
マルチエージェント実行で、調査・実装・レビューを並行して進めます。
楽しい
使いやすい UI で、計画・Agent 実行・プロジェクト作業を進めやすくします。

Awesome Site を離れますか?

外部のウェブサイトに移動しようとしています。そのサイトのコンテンツやプライバシーの取り扱いは管理していません。

移動先

ウェブサイトに進む