Datenkontamination bei großen Sprachmodellen: Das Problem des Preference Leakage

Datenkontamination bei Large Language Models: Das Problem des "Preference Leakage"

Large Language Models (LLMs) werden zunehmend in verschiedenen Bereichen eingesetzt, darunter auch zur Bewertung und Synthese von Daten. Diese beiden Anwendungsfälle – LLMs als Bewerter ("LLM-as-a-judge") und LLM-basierte Datensynthese – bieten zwar erhebliche Vorteile in der Modellentwicklung, bergen aber auch das Risiko der Datenkontamination. Ein bisher wenig beachtetes Problem in diesem Zusammenhang ist das sogenannte "Preference Leakage".

Was ist Preference Leakage?

Preference Leakage beschreibt eine Form der Datenkontamination, die auftritt, wenn ein LLM als Bewerter für Daten eingesetzt wird, die von einem verwandten LLM generiert wurden. Diese Verwandtschaft kann unterschiedliche Formen annehmen:

Das Bewertungs-LLM und das Generator-LLM sind identisch. Das Bewertungs-LLM ist ein Nachfolgemodell des Generator-LLMs (z.B. durch Fine-Tuning entstanden). Beide LLMs gehören zur selben Modellfamilie und teilen daher ähnliche Architektur und Trainingsdaten.

In solchen Fällen besteht die Gefahr, dass der Bewerter-LLM die Daten des Generator-LLMs bevorzugt, selbst wenn diese objektiv nicht besser sind als Daten aus anderen Quellen. Diese Bevorteilung entsteht durch implizite Präferenzen, die im Trainingsprozess des Bewerter-LLMs entstanden sind und nun auf die Bewertung der generierten Daten Einfluss nehmen.

Auswirkungen und Herausforderungen

Studien haben gezeigt, dass Preference Leakage zu einer Verzerrung der Bewertungsergebnisse führen kann. Dies kann die Entwicklung und Evaluierung von KI-Modellen negativ beeinflussen, da die vermeintlich besseren Ergebnisse der verwandten Modelle tatsächlich auf der Kontamination beruhen und nicht auf tatsächlichen Leistungsverbesserungen. Die Erkennung von Preference Leakage gestaltet sich zudem schwierig, da die Verzerrung subtil sein kann und sich nicht immer durch offensichtliche Anomalien in den Daten bemerkbar macht.

Ein weiteres Problem besteht darin, dass Preference Leakage ein weit verbreitetes Phänomen sein könnte. Die zunehmende Verwendung von LLMs sowohl zur Datengenerierung als auch zur Bewertung erhöht das Risiko dieser Kontamination. Daher ist es wichtig, sich der Problematik bewusst zu sein und geeignete Maßnahmen zu ergreifen, um die Auswirkungen von Preference Leakage zu minimieren.

Lösungsansätze und zukünftige Forschung

Die Forschung im Bereich Preference Leakage steht noch am Anfang. Es gibt jedoch bereits erste Ansätze, um das Problem zu adressieren. Dazu gehören:

Die Entwicklung von Methoden zur Erkennung von Preference Leakage. Die Entwicklung von robusteren Bewertungsmetriken, die weniger anfällig für Verzerrungen sind. Die Diversifizierung der Trainingsdaten für Bewertungs-LLMs, um die Abhängigkeit von spezifischen Generatoren zu reduzieren.

Die weitere Erforschung von Preference Leakage ist essentiell, um die Zuverlässigkeit und Objektivität von LLM-basierten Bewertungsprozessen zu gewährleisten. Nur so kann das volle Potenzial von LLMs in der KI-Entwicklung ausgeschöpft werden.

Bibliographie: Li, D., Sun, R., Huang, Y., Zhong, M., Jiang, B., Han, J., Zhang, X., Wang, W., & Liu, H. (2025). Preference Leakage: A Contamination Problem in LLM-as-a-judge. arXiv preprint arXiv:2502.01534. de Koninck, T., Szolnoki, G., & Zamani, M. (2024). Evading Watermarking: Data Poisoning Attacks on Diffusion Models. arXiv preprint arXiv:2408.08808v2. Shi, Y., & Yang, Y. (2024). CustomNLP4U: A Toolkit for Evaluating and Detecting Data Contamination in NLP Benchmarks. Proceedings of the First Workshop on Customizable Directions in NLP (CustomNLP4U), 125–135. You, Y., Su, D., & McKeown, K. (2023). Measuring and mitigating data memorization in pre-trained language models. Findings of the Association for Computational Linguistics: EMNLP 2023, 949–966. Lyy1994. (n.d.). Awesome-data-contamination. GitHub. Retrieved from https://github.com/lyy1994/awesome-data-contamination Wang, B. (2024, July 25). JudgeBench: A benchmark for evaluating LLM-based judgement tasks. LinkedIn. Kumar, A., & Levine, S. (2024). Benchmarking generalization via in-context learning. arXiv preprint arXiv:2406.18403v1.