一、摘要
本文介绍由Meta和芝加哥大学合作发表的代码开源论文《Beyond Reward Hacking: Causal Rewards for Large Language Model Alignment》，论文引入了一种将因果正则化纳入训练过程的奖励建模因果框架，使模型能够从虚假关系中学习 "真实" 因果关系，从而让模型生成结果更可靠地与人类偏好对齐。
译文：
大型语言模型（LLMs）的最新进展在执行复杂任务方面取得了显著进步。虽然人类反馈强化学习（RLHF）在使 LLMs 与人类偏好对齐方面是有效的，但它容易受到奖励建模中的虚假相关性的影响。因此，它经常引入偏差，如长度偏差、谄媚、概念偏差和歧视，这些偏差阻碍了模型捕捉真实因果关系的能力。为了解决这个问题，我们提出了一种新颖的因果奖励建模方法，它整合了因果推理来减轻这些虚假相关性。我们的方法强制实施反事实不变性，确保在不相关变量改变时奖励预测保持一致。通过在合成数据集和真实数据集上的实验，我们表明我们的方法有效地减轻了各种类型的虚假相关性，从而使 LLMs 与人类偏好的对齐更加可靠和公平。作为对现有 RLHF 工作流程的即插即用增强，我们的因果奖励建模为提高 LLM 微调的可信度和公平性提供了一种实用的方法。
二、核心创新点
在探讨论文创新点之前，我们首先需要了解如下两个概念。这里，令Z表示对应于虚假变异因素（例如长度）的随机变量，T表示包含提示-响应对（prompt-response pair）的随机变量：
- 反事实不变性（counterfactual invariance）：论文指出，理想的无偏奖励模型应该直观地对虚假的变化因素保持不变性。例如，为了消除长度偏差，奖励模型应该对响应长度的变化表现出不变性，为了形式化这个概念，学界定义为"反事实不变性"。
- 因果分解：提示-响应对 T 可以根据它们与虚假因素 Z 的关系分解为潜在成分。具体来说，令
定义为 T 的一个成分，它不受 Z 的因果影响。即，
1、针对独立性的最大均值差异（MMD）正则化
为了强制执行论文中所提到的独立性条件，作者采用了一种基于核的统计度量------MMD，用于量化两个概率分布之间的差异。形式上，给定两个分布和
，再生核希尔伯特空间（reproducing kernel Hilbert space，RKHS）
中的平方MMD定义为：
其中，F表示中的一类函数，
和
是两个随机变量。直观地说，MMD测量由核k(·,·)确定的函数
上
和
之间的最大平均差异。作者在论文中使用MMD作为正则化项，以确保学习到的奖励模型 f(T) 对于虚假变量 Z 是不变的，如果 Z 是二元的，则MMD正则化项定义为：
当Z跨越一个大的或者连续的空间，例如响应长度时，直接应用MMD会在计算上变得复杂，因此作者将Z划分为M个离散的区间 ，并计算所有区间对之间的MMD。令表示区间索引，
表示
在区间ｂ中的条件分布，正则化项被定义为：
这种分区方法确保了MMD在高维或者连续设置中的适用性，同时保留了捕获Z变化的能力。论文中，表示提示－响应对T的隐含表示，奖励模型
由参数
参数化，并取决于
，则：
为了正则化，作者根据其虚假因子Z（例如响应长度）将所有响应映射到M个区间中。对于每个区间ｂ，计算条件分布
。结合奖励模型训练损失核基于MMD的正则化项的总体目标函数为：
其中，是sigmoid函数，
是MMD正则化项权重的超参数。这个公式通过惩罚虚假变量Z的区间中奖励预测的差异来强制实现反事实不变性，从而有效地引导了模型学习不变表示。
