最近學強化的過程中，總是遇到“拒絕采樣”這個概念，我嘗試科普一下，爭取用最大白話的方式讓每個感興趣的同學都理解其中思想。

拒絕采樣是 LLM 從統(tǒng)計學借鑒過來的一個概念。其實大家很早就接觸過這個概念，每個刷過 leetcode 的同學大概率都遇到過這樣一個問題：“如何用一枚骰子獲得 1/7 的概率？”

答案很簡單：把骰子扔兩次，獲得 6 * 6 = 36 種可能的結果，丟棄最后一個結果，剩下的 35 個結果平分成 7 份，對應的概率值便為 1/7 。使用這種思想，我們可以利用一枚骰子獲得任意 1/N 的概率。

在這個問題中，我們可以看到拒絕采樣的一些關鍵要素：

• 采樣：從易于采樣的分布（兩個骰子的所有可能結果）中生成樣本；
• 縮放：（扔兩次骰子）獲得更大的樣本分布；
• 拒絕：丟棄（拒絕）不符合條件的樣本（第36種情況）；
• 接受：對于剩下的樣本，重新調整概率（通過分組），獲得目標概率分布。

用大白話來總結就是：我們想獲得某個分布（1/7）的樣本，但卻沒有辦法。于是我們對另外一個分布（1/6）進行采樣，但這個分布不能涵蓋原始分布，需要我們縮放這個分布（扔兩次）來包裹起來目標分布。然后，我們以某種規(guī)則拒絕明顯不是目標分布的采樣點，剩下的采樣點就可以看作是從目標分布采樣出來的了。

統(tǒng)計學的拒絕采樣

LLM 的拒絕采樣

LLM 的拒絕采樣操作起來非常簡單：讓自己的模型針對 prompt 生成多個候選 response，然后用 reward_model 篩選出來高質量的 response （也可以是 pair 對），拿來再次進行訓練。

解剖這個過程：

1. 提議分布是我們自己的模型，目標分布是最好的語言模型；
2. prompt + response = 一個采樣結果；
3. do_sample 多次 = 縮放提議分布（也可以理解為扔多次骰子）；
4. 采樣結果得到 reward_model 的認可 = 符合目標分布。

經(jīng)過這一番操作，我們能獲得很多的訓練樣本，“這些樣本既符合最好的語言模型的說話習慣，又不偏離原始語言模型的表達習慣”，學習它們就能讓我們的模型更接近最好的語言模型。

統(tǒng)計學與 LLM 的映射關系

統(tǒng)計學的拒絕采樣有幾個關鍵要素：

1. 原始分布采樣困難，提議分布采樣簡單；
2. 提議分布縮放后能涵蓋原始分布；
3. 有辦法判斷從提議分布獲取的樣本是否屬于原始分布，這需要我們知道原始分布的密度函數(shù)。

LLM 的拒絕采樣也有幾個對應的關鍵要素：

1. 我們不知道最好的語言模型怎么說話，但我們知道自己的語言模型如何說話；
2. 讓自己的語言模型反復說話，得到的語料大概率會包括最好的語言模型的說話方式；
3. reward_model 可以判斷某句話是否屬于最好的語言模型的說話方式。

目前為止，是不是看上去很有道理，很好理解。但其實這里有一個致命的邏輯漏洞：為什么我們的模型反復 do_sample，就一定能覆蓋最好的語言模型呢？這不合邏輯啊，狗嘴里采樣多少次也吐不出象牙啊。

緊接著，就需要我們引出另一個概念了：RLHF 的優(yōu)化目標是什么？

RLHF 與拒絕采樣

本文轉載自??NLP工作站??，作者： ybq ????