Optimizing Language Models for Human Preferences is a Causal Inference Problem
面向人类偏好的语言模型优化是一个因果推断问题AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将文本优化形式化为因果问题，并使用无偏替代目标与双重稳健方法处理混杂。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向人类偏好的语言模型优化是一个因果推断问题
- 研究问题
- 利用文本及读者反应的数值结果训练语言模型时，如何区分文本的因果作用与混杂关联，使生成内容更符合人类偏好？
- 方法与思路
- 作者形式化因果语言优化问题，提出求解无偏替代目标的 CPO，再扩展为双重稳健 DR-CPO，以降低目标方差并控制偏差。
- 材料陈述的贡献
- 摘要称，方法具有替代目标的偏差保证，实验展示对语言模型偏好的优化效果，并检验 DR-CPO 在较强混杂条件下的稳健性。
- 阅读关注点
- 应核对文本干预与目标总体的定义、识别条件、替代目标与实际优化目标的关系，以及双重稳健保证和混杂实验的构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未给出偏差保证的条件、数据细节或数值，实验稳健性不能保证任意混杂下有效。
原文摘要
As large language models (LLMs) see greater use in academic and commercial settings, there is increasing interest in methods that allow language models to generate texts aligned with human preferences. In this paper, we present an initial exploration of language model optimization for human preferences from direct outcome datasets, where each sample consists of a text and an associated numerical outcome measuring the reader's response. We first propose that language model optimization should be viewed as a causal problem to ensure that the model correctly learns the relationship between the text and the outcome. We formalize this causal language optimization problem, and we develop a method--causal preference optimization (CPO)--that solves an unbiased surrogate objective for the problem. We further extend CPO with doubly robust CPO (DR-CPO), which reduces the variance of the surrogate objective while retaining provably strong guarantees on bias. Finally, we empirically demonstrate the effectiveness of (DR-)CPO in optimizing state-of-the-art LLMs for human preferences on direct outcome data, and we validate the robustness of DR-CPO under difficult confounding conditions.