67 lines
3.5 KiB
Markdown
67 lines
3.5 KiB
Markdown
---
|
|
id: wiki-2026-0508-dpo-direct-preference-optimizati
|
|
title: DPO (Direct Preference Optimization)
|
|
category: 10_Wiki/Topics
|
|
status: needs_review
|
|
canonical_id: self
|
|
aliases: [P-Reinforce-AUTO-DPOO-001]
|
|
duplicate_of: none
|
|
source_trust_level: A
|
|
confidence_score: 0.97
|
|
tags: [auto-reinforced, dpo, direct-pReference-Optimization, llm-Alignment, Reinforcement-Learning, machine-learning]
|
|
raw_sources: []
|
|
last_reinforced: 2026-04-20
|
|
github_commit: pending
|
|
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
|
---
|
|
|
|
# [[DPO (Direct Preference Optimization)|DPO (Direct Preference Optimization)]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "복잡한 보상 모델은 가라: 인간의 선호도를 맞추기 위해 별도의 리워드 모델을 만들고 강화학습(PPO)을 돌리는 복잡한 과정 대신, 답변 쌍(Pair) 중 무엇이 좋은지 직접 알려줌으로써 모델을 한 번에 정렬하는 효율적인 혁신."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
직접 선호도 최적화(DPO, Direct Preference Optimization)는 LLM을 인간의 의도에 맞게 정렬하는 최신 기법입니다.
|
|
|
|
1. **전통적 방식(RLHF/PPO)과의 차이**:
|
|
* **RLHF**: 보상 모델 학습 -> 보상 모델을 이용한 강화학습(PPO)의 2단계로 매우 불안정하고 자원이 많이 듦.
|
|
* **DPO**: 보상 모델 없이, "답변 A가 답변 B보다 낫다"는 선호도 데이터를 사용하여 모델의 로그 확률(Log probability)을 직접 조정.
|
|
2. **장점**:
|
|
* 수학적으로 더 단순하고 안정적임.
|
|
* PPO와 같은 극도로 복잡한 강화학습 하이퍼파라미터 튜닝이 필요 없음.
|
|
* 학습 속도가 빠르고 효과가 비슷하거나 더 뛰어남.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
|
- **과거 데이터와의 충돌**: 과거에는 성공적인 정렬을 위해 반드시 '외부 보상 정책'이 필요하다고 믿었으나, 현대 정책은 모델의 자체 분포 정책만으로도 충분히 선호도를 학습할 수 있음을 입증함(RL Update).
|
|
- **정책 변화(RL Update)**: DPO 이후 이를 개선한 ORPO, SimPO, IPO 등 '직접 최적화 파생 정책'들이 쏟아져 나오며, 데이터 효율을 극대화하고 모델의 거부(Refusal) 경향을 조절하는 정책이 정밀화됨.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[RLHF (인간 피드백 기반 강화 학습)|RLHF (인간 피드백 기반 강화 학습)]], [[Constitutional AI (헌법 AI)|Constitutional AI (헌법 AI)]], [[Alignment|Alignment]], [[Optimization|Optimization]], [[Policy-Optimization|Policy-Optimization]]
|
|
- **Modern Tech/Tools**: TRL (Transformer Reinforcement Learning) library, Llama-3 alignment, Axolotl.
|
|
---
|
|
|
|
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
|
|
|
**언제 이 지식을 쓰는가:**
|
|
- *(TODO)*
|
|
|
|
**언제 쓰면 안 되는가:**
|
|
- *(TODO)*
|
|
|
|
## 🧪 검증 상태 (Validation)
|
|
|
|
- **정보 상태:** needs_review
|
|
- **출처 신뢰도:** A
|
|
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
|
|
|
## 🧬 중복 검사 (Duplicate Check)
|
|
|
|
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
|
- **처리 방식:** UPDATE (자동 정규화)
|
|
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
|
|
|
## 🕓 변경 이력 (Changelog)
|
|
|
|
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
|
|------|-----------|-----------|--------|
|
|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A | |