Solving the Inverse Alignment Problem for Efficient RLHF
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Krishna, Shambhavi, Sahoo, Aishwarya |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Why Is RLHF Alignment Shallow? A Gradient Analysis
par: Young, Robin
Publié: (2026)
par: Young, Robin
Publié: (2026)
RLHF Workflow: From Reward Modeling to Online RLHF
par: Dong, Hanze, et autres
Publié: (2024)
par: Dong, Hanze, et autres
Publié: (2024)
Learning from Failures: Understanding LLM Alignment through Failure-Aware Inverse RL
par: Patel, Nyal, et autres
Publié: (2025)
par: Patel, Nyal, et autres
Publié: (2025)
MaxMin-RLHF: Alignment with Diverse Human Preferences
par: Chakraborty, Souradip, et autres
Publié: (2024)
par: Chakraborty, Souradip, et autres
Publié: (2024)
Latent Traits and Cross-Task Transfer: Deconstructing Dataset Interactions in LLM Fine-tuning
par: Krishna, Shambhavi, et autres
Publié: (2025)
par: Krishna, Shambhavi, et autres
Publié: (2025)
Proxy-RLHF: Decoupling Generation and Alignment in Large Language Model with Proxy
par: Zhu, Yu, et autres
Publié: (2024)
par: Zhu, Yu, et autres
Publié: (2024)
RLHF in an SFT Way: From Optimal Solution to Reward-Weighted Alignment
par: Du, Yuhao, et autres
Publié: (2025)
par: Du, Yuhao, et autres
Publié: (2025)
Active Preference Optimization for Sample Efficient RLHF
par: Das, Nirjhar, et autres
Publié: (2024)
par: Das, Nirjhar, et autres
Publié: (2024)
RLHF: A comprehensive Survey for Cultural, Multimodal and Low Latency Alignment Methods
par: Sharma, Raghav, et autres
Publié: (2025)
par: Sharma, Raghav, et autres
Publié: (2025)
Failure Modes of Maximum Entropy RLHF
par: Çağatan, Ömer Veysel, et autres
Publié: (2025)
par: Çağatan, Ömer Veysel, et autres
Publié: (2025)
OpenRLHF: An Easy-to-use, Scalable and High-performance RLHF Framework
par: Hu, Jian, et autres
Publié: (2024)
par: Hu, Jian, et autres
Publié: (2024)
Evaluating Defences against Unsafe Feedback in RLHF
par: Rosati, Domenic, et autres
Publié: (2024)
par: Rosati, Domenic, et autres
Publié: (2024)
FCoReBench: Can Large Language Models Solve Challenging First-Order Combinatorial Reasoning Problems?
par: Mittal, Chinmay, et autres
Publié: (2024)
par: Mittal, Chinmay, et autres
Publié: (2024)
Regressing the Relative Future: Efficient Policy Optimization for Multi-turn RLHF
par: Gao, Zhaolin, et autres
Publié: (2024)
par: Gao, Zhaolin, et autres
Publié: (2024)
Group Robust Preference Optimization in Reward-free RLHF
par: Ramesh, Shyam Sundhar, et autres
Publié: (2024)
par: Ramesh, Shyam Sundhar, et autres
Publié: (2024)
Leveraging Domain Knowledge for Efficient Reward Modelling in RLHF: A Case-Study in E-Commerce Opinion Summarization
par: Nath, Swaroop, et autres
Publié: (2024)
par: Nath, Swaroop, et autres
Publié: (2024)
Reward-Robust RLHF in LLMs
par: Yan, Yuzi, et autres
Publié: (2024)
par: Yan, Yuzi, et autres
Publié: (2024)
RLHF and IIA: Perverse Incentives
par: Xu, Wanqiao, et autres
Publié: (2023)
par: Xu, Wanqiao, et autres
Publié: (2023)
Asynchronous RLHF: Faster and More Efficient Off-Policy RL for Language Models
par: Noukhovitch, Michael, et autres
Publié: (2024)
par: Noukhovitch, Michael, et autres
Publié: (2024)
Exploratory Preference Optimization: Harnessing Implicit Q*-Approximation for Sample-Efficient RLHF
par: Xie, Tengyang, et autres
Publié: (2024)
par: Xie, Tengyang, et autres
Publié: (2024)
Exploration-Driven Policy Optimization in RLHF: Theoretical Insights on Efficient Data Utilization
par: Du, Yihan, et autres
Publié: (2024)
par: Du, Yihan, et autres
Publié: (2024)
A Long Way to Go: Investigating Length Correlations in RLHF
par: Singhal, Prasann, et autres
Publié: (2023)
par: Singhal, Prasann, et autres
Publié: (2023)
Insertion Language Models: Sequence Generation with Arbitrary-Position Insertions
par: Patel, Dhruvesh, et autres
Publié: (2025)
par: Patel, Dhruvesh, et autres
Publié: (2025)
Does RLHF Scale? Exploring the Impacts From Data, Model, and Method
par: Hou, Zhenyu, et autres
Publié: (2024)
par: Hou, Zhenyu, et autres
Publié: (2024)
Understanding the Performance Gap in Preference Learning: A Dichotomy of RLHF and DPO
par: Shi, Ruizhe, et autres
Publié: (2025)
par: Shi, Ruizhe, et autres
Publié: (2025)
How to Evaluate Reward Models for RLHF
par: Frick, Evan, et autres
Publié: (2024)
par: Frick, Evan, et autres
Publié: (2024)
Dataset Reset Policy Optimization for RLHF
par: Chang, Jonathan D., et autres
Publié: (2024)
par: Chang, Jonathan D., et autres
Publié: (2024)
Measuring memorization in RLHF for code completion
par: Pappu, Aneesh, et autres
Publié: (2024)
par: Pappu, Aneesh, et autres
Publié: (2024)
Reward Model Overoptimisation in Iterated RLHF
par: Wolf, Lorenz, et autres
Publié: (2025)
par: Wolf, Lorenz, et autres
Publié: (2025)
On Importance of Pruning and Distillation for Efficient Low Resource NLP
par: Mirashi, Aishwarya, et autres
Publié: (2024)
par: Mirashi, Aishwarya, et autres
Publié: (2024)
Disentangled Safety Adapters Enable Efficient Guardrails and Flexible Inference-Time Alignment
par: Krishna, Kundan, et autres
Publié: (2025)
par: Krishna, Kundan, et autres
Publié: (2025)
Deconfounded Causality-aware Parameter-Efficient Fine-Tuning for Problem-Solving Improvement of LLMs
par: Wang, Ruoyu, et autres
Publié: (2024)
par: Wang, Ruoyu, et autres
Publié: (2024)
Rewarding the Rare: Uniqueness-Aware RL for Creative Problem Solving in LLMs
par: Hu, Zhiyuan, et autres
Publié: (2026)
par: Hu, Zhiyuan, et autres
Publié: (2026)
XFinBench: Benchmarking LLMs in Complex Financial Problem Solving and Reasoning
par: Zhang, Zhihan, et autres
Publié: (2025)
par: Zhang, Zhihan, et autres
Publié: (2025)
Quantile Regression for Distributional Reward Models in RLHF
par: Dorka, Nicolai
Publié: (2024)
par: Dorka, Nicolai
Publié: (2024)
The Perfect Blend: Redefining RLHF with Mixture of Judges
par: Xu, Tengyu, et autres
Publié: (2024)
par: Xu, Tengyu, et autres
Publié: (2024)
ODIN: Disentangled Reward Mitigates Hacking in RLHF
par: Chen, Lichang, et autres
Publié: (2024)
par: Chen, Lichang, et autres
Publié: (2024)
WPO: Enhancing RLHF with Weighted Preference Optimization
par: Zhou, Wenxuan, et autres
Publié: (2024)
par: Zhou, Wenxuan, et autres
Publié: (2024)
Understanding the Effects of RLHF on LLM Generalisation and Diversity
par: Kirk, Robert, et autres
Publié: (2023)
par: Kirk, Robert, et autres
Publié: (2023)
RLHS: Mitigating Misalignment in RLHF with Hindsight Simulation
par: Liang, Kaiqu, et autres
Publié: (2025)
par: Liang, Kaiqu, et autres
Publié: (2025)
Documents similaires
-
Why Is RLHF Alignment Shallow? A Gradient Analysis
par: Young, Robin
Publié: (2026) -
RLHF Workflow: From Reward Modeling to Online RLHF
par: Dong, Hanze, et autres
Publié: (2024) -
Learning from Failures: Understanding LLM Alignment through Failure-Aware Inverse RL
par: Patel, Nyal, et autres
Publié: (2025) -
MaxMin-RLHF: Alignment with Diverse Human Preferences
par: Chakraborty, Souradip, et autres
Publié: (2024) -
Latent Traits and Cross-Task Transfer: Deconstructing Dataset Interactions in LLM Fine-tuning
par: Krishna, Shambhavi, et autres
Publié: (2025)