日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

RLHFarXiv:2609.38938

汚染された人間フィードバックからの頑健なリスク感応強化学習

Robust Risk-Sensitive Reinforcement Learning from Corrupted Human Feedback

シェア:XThreadsFacebookLINEはてブBluesky

人間の比較フィードバックが敵対的に反転される状況で、CVaRに基づくリスク感応型RLHF手法を提案し、不確実性重み付き報酬推定と楽観的計画により後悔を抑える。

詳しい要約

1. どんなもの?

- 本論文は、人間のフィードバック(human feedback)を用いた強化学習(RLHF)において、フィードバックが敵対的に操作される状況を扱う。 - オンラインのrisk-sensitive RLHFを、静的CVaR(conditional value-at-risk)の下で研究。 - 報酬は加法的線形、固定参照プロトコルで各エピソード1比較、Kエピソード中最大C個のラベル反転を許容。 - 提案手法WSP-CVaR-RLHFは、不確実性重み付き報酬推定と楽観的拡張状態CVaR計画を組み合わせる。

2. 先行研究と比べてどこがすごい?

- 従来のRLHFは人間比較がクリーンであると仮定するが、本研究は敵対的ラベル反転下でのrisk-sensitive RLHFを扱う点で新しい。 - 既存のrobust RLHFと比べ、CVaR目的と不確実性重み付き推定を統合し、汚染フィードバックの影響を理論的に分離。 - 未知の表形式遷移への拡張も行い、遷移と報酬の結合不確実性に対処。

3. 技術・手法の肝は?

- 不確実性重み付き報酬推定:各比較の信頼度を重み付けし、汚染の影響を軽減。 - 楽観的拡張状態CVaR計画:拡張状態でCVaRを最適化し、リスク感度を導入。 - 理論解析:既知遷移・正規化報酬でregret boundを導出。 - 未知表形式遷移では、矩形遷移信頼集合、共同楽観的計画、履歴レベルCVaRシミュレーション議論を導入。

4. どうやって有効だと検証した?

- 4種類の敵対的攻撃下で実験を実施。 - WSP-CVaR-RLHFが、重みなしのrobust counterpartと比較して累積regretを一貫して低減。 - 信頼集合のカバレッジを維持することを確認。

5. 議論はある?

- 理論的regret boundはクリーンな統計コストと汚染フィードバックによるペナルティを分離。 - 未知遷移への拡張では、遷移と報酬の結合不確実性が課題。 - 実験は4攻撃のみで、他の攻撃や設定への一般化は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、RLHF、robust RLHF、CVaR RL、risk-sensitive RL、adversarial preference learningが挙げられる。 - 同分野の定番として、RLHFの基礎論文(Christiano et al., 2017)やCVaR最適化(Rockafellar & Uryasev, 2000)を読むことを推奨。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xinyi Ni, Lifeng Lai

分類: cs.LG

原文アブストラクト

Reinforcement learning with human feedback (RLHF) learns from human comparisons, which can be corrupted or deliberately manipulated. This paper studies online risk-sensitive RLHF with static conditional value-at-risk (CVaR) under adversarial preference-label flips. We consider additive linear rewards and a fixed-reference protocol with one comparison per episode and at most $C$ flipped labels over $K$ episodes. We propose weighted streamed-preference CVaR RLHF (WSP-CVaR-RLHF), which combines uncertainty-weighted reward estimation with optimistic augmented-state CVaR planning. For known transitions and normalized rewards, we establish the regret bound $\widetilde{O}\left(\frac{d}κ\sqrt{\frac{K}α}+\frac{dC}{κα}\right)$ up to lower-order terms, where $d$ is the reward-feature dimension, $α$ is the CVaR level, and $κ$ characterizes the preference link. The bound separates the clean statistical cost from the penalty caused by corrupted feedback. We further extend the analysis to unknown tabular transitions, where the trajectory distribution entering the CVaR objective must be learned together with the reward. We address the resulting coupled uncertainty using rectangular transition confidence sets, joint optimistic planning, and a history-level CVaR simulation argument. Experiments under four adversarial attacks demonstrate that WSP-CVaR-RLHF consistently reduces cumulative regret relative to its unweighted robust counterpart while preserving confidence-set coverage.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI