Training Large Language Models for Reasoning through Reverse Curriculum Reinforcement Learning, Zhiheng Xi+, N/A, arXiv'24

[AkihikoWatanabe]

URL

• https://arxiv.org/abs/2402.05808

  Affiliations

  • Zhiheng Xi, N/A
  • Wenxiang Chen, N/A
  • Boyang Hong, N/A
  • Senjie Jin, N/A
  • Rui Zheng, N/A
  • Wei He, N/A
  • Yiwen Ding, N/A
  • Shichun Liu, N/A
  • Xin Guo, N/A
  • Junzhe Wang, N/A
  • Honglin Guo, N/A
  • Wei Shen, N/A
  • Xiaoran Fan, N/A
  • Yuhao Zhou, N/A
  • Shihan Dou, N/A
  • Xiao Wang, N/A
  • Xinbo Zhang, N/A
  • Peng Sun, N/A
  • Tao Gui, N/A
  • Qi Zhang, N/A
  • Xuanjing Huang, N/A

    Abstract

  • In this paper, we propose R$^3$: Learning Reasoning through Reverse Curriculum Reinforcement Learning (RL), a novel method that employs only outcome supervision to achieve the benefits of process supervision for large language models. The core challenge in applying RL to complex reasoning is to identify a sequence of actions that result in positive rewards and provide appropriate supervision for optimization. Outcome supervision provides sparse rewards for final results without identifying error locations, whereas process supervision offers step-wise rewards but requires extensive manual annotation. R$^3$ overcomes these limitations by learning from correct demonstrations. Specifically, R$^3$ progressively slides the start state of reasoning from a demonstration's end to its beginning, facilitating easier model exploration at all stages. Thus, R$^3$ establishes a step-wise curriculum, allowing outcome supervision to offer step-level signals and precisely pinpoint errors. Using Llama2-7B, our method surpasses RL baseline on eight reasoning tasks by $4.1$ points on average. Notebaly, in program-based reasoning on GSM8K, it exceeds the baseline by $4.2$ points across three backbone models, and without any extra data, Codellama-7B + R$^3$ performs comparable to larger models or closed-source models.

    Translation (by gpt-4o-mini)

• 本論文では、R$^3$: Learning Reasoning through Reverse Curriculum Reinforcement Learning (RL)という新しい手法を提案します。この手法は、結果の監視のみを用いて、大規模言語モデルにおけるプロセスの監視の利点を実現します。複雑な推論にRLを適用する際の核心的な課題は、正の報酬をもたらす行動のシーケンスを特定し、最適化のための適切な監視を提供することです。結果の監視は最終結果に対してスパースな報酬を提供しますが、エラーの位置を特定することはできません。一方、プロセスの監視は段階的な報酬を提供しますが、広範な手動アノテーションが必要です。R$^3$は、正しいデモンストレーションから学ぶことでこれらの制限を克服します。具体的には、R$^3$はデモンストレーションの終わりから始まりに向かって推論の開始状態を徐々にスライドさせ、すべての段階でモデルの探索を容易にします。したがって、R$^3$は段階的なカリキュラムを確立し、結果の監視が段階レベルの信号を提供し、エラーを正確に特定できるようにします。Llama2-7Bを使用した私たちの手法は、8つの推論タスクにおいてRLのベースラインを平均で4.1ポイント上回ります。特に、GSM8Kにおけるプログラムベースの推論では、3つのバックボーンモデル全てでベースラインを4.2ポイント上回り、追加のデータなしでCodellama-7B + R$^3$はより大きなモデルやクローズドソースモデルと同等の性能を発揮します。

  Summary (by gpt-4o-mini)

• R$^3$は、結果の監視を用いて大規模言語モデルの推論プロセスを最適化する新手法。正しいデモンストレーションから学ぶことで、段階的なカリキュラムを確立し、エラーを特定可能にする。Llama2-7Bを用いた実験では、8つの推論タスクでRLのベースラインを平均4.1ポイント上回り、特にGSM8Kでは4.2ポイントの改善を示した。