Résumé IA · arXiv: 2611.09670v1 · cs.RO

Goodhart in the Planner: Sampling-Based Control Exploits Rewards Learned from Human Preferences

Soovadeep Bakshi, Apurba Bose
Article original Soumis à arXiv le 06 Nov. 2026 19 pages, 4 figures. Equal contribution. Code and results will be released Licence : non indiquée (tous droits réservés) Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

La recherche MPPI guidée par des préférences peut exploiter les erreurs du modèle de récompense; une régularisation calibrée sur des comparaisons oracle limite les pertes observées.

D’après l’abstract uniquement : vérifiez les détails dans l’article original.

Question

Les planificateurs qui optimisent une récompense apprise à partir de préférences humaines peuvent-ils choisir des actions qui améliorent le score prédit tout en dégradant l’objectif réel? Le papier étudie aussi si une régularisation peut réduire ce risque.

Méthode

Les auteurs évaluent HalfCheetah et Hopper avec des étiquettes issues du crowdsourcing, ainsi que des tâches Meta-World de tiroir à ouvrir et d’assiette à faire glisser avec des étiquettes synthétiques ou fournies à l’aveugle par les deux auteurs. Ils comparent la recherche MPPI et la sélection best-of-N à une politique clonée, puis étudient une régularisation de MPPI en χ² dont la température est calibrée à partir de 100 paires de propositions classées selon leur rendement réel sur des états initiaux distincts de ceux de l’évaluation.

Résultats

  • Résultat Sur l’ouverture du tiroir, la recherche plus poussée avec des étiquettes humaines n’ouvre le tiroir dans aucune des 20 exécutions, contre 10 sur 10 pour la politique clonée de départ, alors que la précision sur les étiquettes retenues reste entre 0,75 et 0,97.
    Voir le passage dans l’article
    with human labels the drawer opens in 0 of 20 runs against 10 of 10 for the cloned policy the planner starts from, while held-out label accuracy stays at 0.75-0.97.
  • Résultat Sur HalfCheetah et Hopper ainsi que dans les tâches Meta-World étudiées, une recherche MPPI plus difficile réduit le rendement réel jusqu’à 76 %.
    Voir le passage dans l’article
    harder MPPI search cuts true return by up to 76%:
  • Résultat Le rendement réel suit approximativement l’ampleur de l’écart entre les poids du planificateur et ses propositions, mesuré par la racine carrée de KL, pour les deux règles de pondération testées.
    Voir le passage dans l’article
    True return roughly follows how far the planner's weights move from its proposals ($\sqrt{\mathrm{KL}}$) for both weighting rules we test
  • Résultat La régularisation de MPPI en χ², avec une température définie par la dispersion des erreurs du score sur les propositions, est démontrée comme optimale dans le pire cas.
  • Résultat La calibration fondée sur un oracle limite les pertes sur les tâches d’ouverture du tiroir et de glissement d’assiette, mais cette prudence peut freiner la recherche lorsqu’elle serait utile.
    Voir le passage dans l’article
    with each of five independent sets it succeeds in every arm run and keeps on average 86-94% of the cloned policy's return on plate-slide and drawer-open, though it is cautious where search helps.

Limites

  • La calibration à partir des comparaisons d’une personne ne peut pas détecter un biais déjà appris par le modèle à partir de cette personne.
    Voir le passage dans l’article
    Calibration from a person's comparisons cannot detect a bias the scorer learned from that person;
  • Les résultats portent sur un ensemble limité de tâches et d’étiquettes, notamment des étiquettes humaines recueillies auprès des deux auteurs pour certaines tâches Meta-World.

Portée

Les résultats montrent que la précision prédictive sur des étiquettes retenues ne suffit pas à garantir un bon rendement lorsque le planificateur recherche activement des actions. Les auteurs proposent une régularisation calibrée par des comparaisons oracle et indiquent que des comparaisons indiscernables par les personnes, ou le recours à une seconde personne, peuvent limiter les dommages.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : Effet Goodhart modèles de récompense planification robotique préférences humaines calibration

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
L’article étudie les conséquences de la planification d’actions par un robot qui optimise un modèle de récompense appris à partir de préférences humaines. La question centrale est de savoir si une recherche plus poussée selon ce modèle améliore réellement le comportement du robot ou si, au contraire, elle finit par exploiter les erreurs du modèle. Ce problème, associé à l’effet Goodhart, est examiné dans deux cadres : le contrôle prédictif par modèle, où le robot recherche une séquence d’actions, et la sélection de la meilleure action parmi plusieurs candidates. Les auteurs évaluent cette approche sur les tâches HalfCheetah et Hopper, à partir de préférences recueillies auprès de participants, ainsi que sur deux tâches de Meta-World — ouvrir un tiroir et faire glisser une assiette — à l’aide de labels synthétiques et de comparaisons à l’aveugle fournies par les deux auteurs. Ils comparent les récompenses prédites par les modèles aux retours réels des politiques, en faisant varier l’intensité de la recherche. Ils étudient également deux règles de pondération des actions candidates : la sélection « best-of-N » et une procédure de calibration qui ajuste la recherche à partir de comparaisons entre propositions. Les résultats montrent que l’optimisation d’un modèle de préférences peut fortement dégrader le comportement réel, même lorsque le modèle semble assez performant sur des données tenues à l’écart. Dans les tâches étudiées, une recherche MPPI plus intensive réduit le retour réel jusqu’à 76 %. Pour l’ouverture du tiroir avec des labels humains, le planificateur ne réussit aucun des 20 essais, tandis que la politique clonée dont il est issu réussit les 10 essais rapportés. Pourtant, la précision du modèle sur les labels tenus à l’écart se situe entre 0,75 et 0,97. Ces résultats montrent qu’une bonne performance moyenne sur des comparaisons ne garantit pas la fiabilité du modèle lorsque le planificateur cherche activement à exploiter ses faiblesses. L’ampleur de l’effet varie selon la tâche et la source des préférences. Pour le déplacement de l’assiette, les préférences humaines sont moins exploitées que les préférences synthétiques, tandis que la recherche améliore la tâche d’ouverture de fenêtre. Les auteurs rapportent également que le retour réel tend à diminuer à mesure que les poids du planificateur s’éloignent de ceux des propositions initiales, selon une mesure fondée sur la racine de la divergence KL. Cette tendance apparaît avec les deux règles de pondération évaluées. Dans une autre expérience, la sélection best-of-N à l’aide d’un vérificateur entraîné sur des labels synthétiques donne de moins bons résultats qu’une action unique bruitée. L’article présente une garantie théorique pour une version de MPPI régularisée par la divergence du chi carré, dont la température est réglée en fonction de la dispersion de l’erreur du score sur les actions proposées. Les auteurs présentent cette règle comme optimale dans le pire des cas. Ils indiquent également qu’aucun gain positif ne peut être garanti lorsque cette dispersion dépasse celle du score lui-même. La correction la plus sûre parmi celles évaluées est une calibration fondée sur 100 paires de propositions classées selon leur retour réel. Cette calibration utilise un oracle évalué sur des états de départ absents de l’évaluation. Avec cinq ensembles de calibration indépendants, elle permet de réussir tous les essais d’ouverture du tiroir et de déplacement de l’assiette, tout en conservant en moyenne de 86 à 94 % du retour de la politique clonée.

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Posez des questions sur cet article à notre assistant IA

Comment discuter avec cet article ? Guide illustré

Comparer avec le PDF

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 1 réécriture gratuite restante aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Continuer avec Google Créer un compte gratuit Se connecter

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Lettre hebdomadaire Présenté dans « Intelligence artificielle cette semaine » du 9 novembre 2026. Intelligence artificielle cette semaine : ce que les bons scores ne disent pas

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Proche Même question
    Scaling Laws for Reward Model Overoptimization
    Leo Gao, John Schulman, Jacob Hilton · 2022 · Machine Learning · cité 1 475 fois · Résumé IA disponible

    Scaling Laws for Reward Model Overoptimization mesure comment l’optimisation d’une récompense proxy entraînée sur des préférences affecte la performance réelle.

    Résumé scientifique

    In reinforcement learning from human feedback, it is common to optimize against a reward model trained to predict human preferences. Because the reward model is an imperfect proxy, optimizing its value too much can hinder ground truth performance, in accordance with Goodhart's law. This effect has been frequently observed, but not carefully measured due to the expense of collecting human preference data. In this work, we use a synthetic setup in which a fixed "gold-standard" reward model plays the role of humans, providing labels used to train a proxy reward model. We study how the gold reward model score changes as we optimize against the proxy reward model using either reinforcement learni…

  2. Proche Contexte plus large
    Robust Synthetic Control
    Muhammad Jehangir Amjad, Devavrat Shah, Dennis Shen · 2017 · Econometrics · cité 172 fois · Résumé IA disponible

    Robust Synthetic Control estime des contrefactuels dans des études comparatives, sans traiter l’optimisation de récompenses apprises.

    Résumé scientifique

    We present a robust generalization of the synthetic control method for comparative case studies. Like the classical method, we present an algorithm to estimate the unobservable counterfactual of a treatment unit. A distinguishing feature of our algorithm is that of de-noising the data matrix via singular value thresholding, which renders our approach robust in multiple facets: it automatically identifies a good subset of donors, overcomes the challenges of missing data, and continues to work well in settings where covariate information may not be provided. To begin, we establish the condition under which the fundamental assumption in synthetic control-like approaches holds, i.e. when the lin…

  3. Proche Contexte plus large
    Direct Preference Optimization: Your Language Model is Secretly a Reward Model
    Rafael Rafailov, Archit Sharma, Eric Mitchell et al. · 2023 · Machine Learning · cité 11 573 fois · Résumé IA disponible

    Direct Preference Optimization aligne des modèles de langage sur des préférences humaines, plutôt que de planifier des actions contre une récompense apprise.

    Résumé scientifique

    While large-scale unsupervised language models (LMs) learn broad world knowledge and some reasoning skills, achieving precise control of their behavior is difficult due to the completely unsupervised nature of their training. Existing methods for gaining such steerability collect human labels of the relative quality of model generations and fine-tune the unsupervised LM to align with these preferences, often with reinforcement learning from human feedback (RLHF). However, RLHF is a complex and often unstable procedure, first fitting a reward model that reflects the human preferences, and then fine-tuning the large unsupervised LM using reinforcement learning to maximize this estimated reward…

  4. Proche Contexte plus large
    Do the Rewards Justify the Means? Measuring Trade-Offs Between Rewards and Ethical Behavior in the MACHIAVELLI Benchmark
    Alexander Pan, Chan Jun Shern, Andy Zou et al. · 2023 · Machine Learning · cité 267 fois · Résumé IA disponible

    MACHIAVELLI étudie les compromis entre récompense et comportements éthiques d’agents dans des jeux narratifs.

    Résumé scientifique

    Artificial agents have traditionally been trained to maximize reward, which may incentivize power-seeking and deception, analogous to how next-token prediction in language models (LMs) may incentivize toxicity. So do agents naturally learn to be Machiavellian? And how do we measure these behaviors in general-purpose models such as GPT-4? Towards answering these questions, we introduce MACHIAVELLI, a benchmark of 134 Choose-Your-Own-Adventure games containing over half a million rich, diverse scenarios that center on social decision-making. Scenario labeling is automated with LMs, which are more performant than human annotators. We mathematize dozens of harmful behaviors and use our annotatio…

  5. Proche Contexte plus large
    Explore or Confirm? LLM Agents Misallocate Measurements Under Noise
    Abdul Karim, Matt Keon · 2026 · Artificial Intelligence · Résumé IA disponible

    Explore or Confirm? mesure comment des agents LLM répartissent des expériences sous bruit, sans étudier la recherche contre une récompense de préférences.

    Résumé scientifique

    As model reasoning gets cheaper, the physical experiment becomes the slow and costly step in discovery. Each experiment returns a noisy reading: a high value can mean a good candidate or a lucky draw. With a fixed budget, an AI agent must keep choosing between exploring a new candidate and confirming a promising one by re-testing it. We measure that choice in Wellocate, a simulated assay campaign with known true values. It is built on a generated landscape and on two real protein datasets, GB1 and PhoQ, scrambled so no model can answer from memory. We test five language models as minimal agents, with no tools and no memory beyond the history in each prompt. They misallocate in both direction…

  6. Proche Contexte plus large
    The Leaderboard Illusion
    Shivalika Singh, Yiyang Nan, Alex Wang et al. · 2025 · Artificial Intelligence · cité 85 fois · Résumé IA disponible

    The Leaderboard Illusion analyse le biais de scores causé par la sélection des résultats publiés, et non par un planificateur exploitant une récompense.

    Résumé scientifique

    Measuring progress is fundamental to the advancement of any scientific field. As benchmarks play an increasingly central role, they also grow more susceptible to distortion. Chatbot Arena has emerged as the go-to leaderboard for ranking the most capable AI systems. Yet, in this work we identify systematic issues that have resulted in a distorted playing field. We find that undisclosed private testing practices benefit a handful of providers who are able to test multiple variants before public release and retract scores if desired. We establish that the ability of these providers to choose the best score leads to biased Arena scores due to selective disclosure of performance results. At an ex…

  7. Proche Contexte plus large
    Statistical Rejection Sampling Improves Preference Optimization
    Tianqi Liu, Yao Zhao, Rishabh Joshi et al. · 2023 · Computation and Language · cité 385 fois · Résumé IA disponible

    Statistical Rejection Sampling améliore l’optimisation de préférences pour les modèles de langage, au lieu d’évaluer le contrôle planifié.

    Résumé scientifique

    Improving the alignment of language models with human preferences remains an active research challenge. Previous approaches have primarily utilized Reinforcement Learning from Human Feedback (RLHF) via online RL methods such as Proximal Policy Optimization (PPO). Recently, offline methods such as Sequence Likelihood Calibration (SLiC) and Direct Preference Optimization (DPO) have emerged as attractive alternatives, offering improvements in stability and scalability while maintaining competitive performance. SLiC refines its loss function using sequence pairs sampled from a supervised fine-tuned (SFT) policy, while DPO directly optimizes language models based on preference data, foregoing the…

  8. Proche Autre approche du problème
    Hybrid Group Relative Policy Optimization: A Multi-Sample Approach to Enhancing Policy Optimization
    Soham Sane · 2025 · Machine Learning · preprint, non relu par les pairs · cité 28 fois · Résumé IA disponible

    Hybrid GRPO évalue plusieurs actions pour optimiser une politique par apprentissage par renforcement, contrairement à MPPI et best-of-N testés ici.

    Résumé scientifique

    Hybrid Group Relative Policy Optimization (Hybrid GRPO) is a reinforcement learning framework that extends Proximal Policy Optimization (PPO) and Group Relative Policy Optimization (GRPO) by incorporating empirical multi-sample action evaluation while preserving the stability of value function-based learning. Unlike DeepSeek GRPO, which eliminates the value function in favor of purely empirical reward estimation, Hybrid GRPO introduces a structured advantage computation method that balances empirical action sampling with bootstrapped value estimation. This approach enhances sample efficiency, improves learning stability, and mitigates variance amplification observed in purely empirical metho…

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 9 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.