某种意义上的「梦幻联动」

丰色 发自 凹非寺

量子位 | 公众号 QbitAI

ChatGPT中有这样一个核心训练方法，名叫“人类反馈强化学习（RLHF）”。

它可以让模型更安全、输出结果更遵循人类意图。

现在，来自谷歌Research和UC伯克利的研究人员发现，将该方法用在AI绘画上，“治疗”图像跟输入不完全匹配的情况，效果也奇好——

可以实现高达47%的改进。

△ 左为Stable Diffusion，右为改进后效果

这一刻，AIGC领域中两类大火的模型，似乎找到了某种“共鸣”。

如何将RLHF用于AI绘画？

RLHF，全称“Reinforcement Learning from Human Feedback”，是OpenAI和DeepMind于2017年合作开发的一种强化学习技术。

正如其名，RLHF就是用人类对模型输出结果的评价（即反馈）来直接优化模型，在LLM中，它可以使得“模型价值观”更符合人类价值观。

而在AI图像生成模型中，它可以让生成图像与文本提示得到充分对齐。

具体而言，首先，收集人类反馈数据。

在这里，研究人员一共生成了27000余个“文本图像对”，然后让一些人类来打分。

为了简单起见，文本提示只包括以下四种类别，分别关乎数量、颜色、背景和混合选项；人类的反馈则只分“好”、“坏”与“不知道（skip）”。

其次，学习奖励函数。

这一步，就是利用刚刚获得的人类评价组成的数据集，训练出奖励函数，然后用该函数来预测人类对模型输出的满意度（公式红色部分）。

这样，模型就知道自己的结果究竟有几分符合文本。

除了奖励函数，作者还提出了一个辅助任务（公式蓝色部分）。

也就是当图像生成完成后，模型再给一堆文本，但其中只有一个是原始文本，让奖励模型“自己检查”图像是否跟该文本相匹配。

这种逆向操作可以让效果得到“双重保险”（可以辅助下图中的step2进行理解）。

最后，就是微调了。

即通过奖励加权最大似然估计（reward-weighted likelihood maximization）（下公式第一项），更新文本-图像生成模型。

为了避免过拟合，作者对预训练数据集上的NLL值（公式第二项）进行了最小化。这种做法类似于InstructionGPT (ChatGPT的“直系前辈”）。

效果提升47%，但清晰度下滑5%

如下一系列效果所示，相比原始的Stable Diffusion，用RLHF微调过后的模型可以：

（1）更正确地get文本里的“两只”和“绿色”；

（2）不会忽略“大海”作为背景的要求；

（3）想要红老虎，能给出“更红”的结果。

从具体数据来看，微调后的模型人类满意度为50%，相比原来的模型（3%），得到了47%的提高。

不过，代价是失去了5%的图像清晰度。

从下图我们也能很清楚的看到，右边的狼明显比左边的糊一些：

对此，作者表示，使用更大的人类评价数据集和更好的优化 (RL) 方法，可以改善这种情况。

关于作者

本文一共9位作者。

一作为谷歌AI研究科学家Kimin Lee，韩国科学技术院博士，博士后研究在UC伯克利大学展开。

华人作者三位：

Liu Hao，UC伯克利在读博士生，主要研究兴趣为反馈神经网络。

Du Yuqing，同UC伯克利博士在读，主要研究方向为无监督强化学习方法。

Shixiang Shane Gu (顾世翔)，通讯作者，本科师从三巨头之一Hinton，博士毕业于剑桥大学。

△ 顾世翔

值得一提的是，写这篇文章时他还是谷歌人，如今已经跳槽至OpenAI，并在那里直接向ChatGPT负责人报告。

论文地址：

https://arxiv.org/abs/2302.12192

参考链接：
[1]https://twitter.com/kimin_le2/status/1629158733736718336
[2]https://openai.com/blog/instruction-following/