Optimierung der Feinabstimmung von Diffusionsmodellen mit dem MARBLE-Framework

Die kontinuierliche Weiterentwicklung generativer KI-Modelle, insbesondere von Diffusionsmodellen, hat die Möglichkeiten der Bildgenerierung revolutioniert. Um jedoch von beeindruckenden technischen Leistungen zu Modellen zu gelangen, die den komplexen und oft vielschichtigen menschlichen Präferenzen entsprechen, ist eine präzise Feinabstimmung unerlässlich. In diesem Kontext hat sich Reinforcement Learning (RL) als eine dominante Methode etabliert. Ein aktueller Forschungsbeitrag mit dem Titel „MARBLE: Multi-Aspect Reward Balance for Diffusion RL“ stellt einen neuartigen Ansatz vor, der darauf abzielt, die Feinabstimmung von Diffusionsmodellen unter Berücksichtigung mehrerer Belohnungskriterien zu optimieren.

Herausforderungen bei der multikriteriellen Optimierung von Diffusionsmodellen

Die Qualität generierter Bilder ist intrinsisch multidimensional. Ein hochqualitatives Bild sollte nicht nur ästhetisch ansprechend sein, sondern auch die Textvorgaben präzise umsetzen und feinkörnige Details wie die korrekte Textwiedergabe oder die kohärente Platzierung von Objekten berücksichtigen. Die gleichzeitige Optimierung dieser verschiedenen Aspekte stellt eine erhebliche Herausforderung dar.

Grenzen bestehender Ansätze

Aktuelle Praktiken zur Bewältigung mehrerer Belohnungen umfassen typischerweise drei Strategien:

• Training spezialisierter Modelle: Für jedes Belohnungskriterium wird ein eigenes Modell trainiert. Dies führt jedoch zu einer Vielzahl von Modellen, die nicht über verschiedene Belohnungsdimensionen hinweg generalisieren können.
• Sequenzielle Feinabstimmung: Ein einziges Modell wird nacheinander auf verschiedene Belohnungsdatensätze abgestimmt. Dieser Ansatz erfordert jedoch einen erheblichen manuellen Aufwand bei der Gestaltung des Trainingsplans und der Hyperparameter. Zudem besteht das Risiko, dass zuvor erlernte Belohnungen "vergessen" werden.
• Optimierung einer gewichteten Summe: Die verschiedenen Belohnungssignale werden zu einem einzigen skalaren Ziel kombiniert, üblicherweise durch eine gewichtete Summe. Dieser Ansatz führt in der Praxis oft zu einer Leistungsverschlechterung, da er die Informationen der einzelnen Belohnungsdimensionen verwässert.

Insbesondere das Problem der gewichteten Summe wird als "Spezialisten-Stichproben-Phänomen" beschrieben. Viele generierte Beispiele sind nur für einen Teil der Belohnungsdimensionen informativ, während sie für andere irrelevant oder unanwendbar sind. Beispielsweise trägt ein Bild einer Katze keine Informationen für OCR-bezogene Belohnungen. Eine naive Aggregation verwässert den Wert solcher Stichproben, und der resultierende Vorteil spiegelt nicht mehr die Dimension wider, für die die Stichprobe tatsächlich nützlich ist. Empirische Analysen zeigen, dass die Update-Richtung bei gewichteter Summation in 80 % der Mini-Batches dem Gradienten mindestens einer Belohnung entgegenwirkt.

MARBLE: Ein gradientenbasierter Ansatz zur Belohnungsbalance

Um diese Herausforderungen zu überwinden, wurde MARBLE (Multi-Aspect Reward Balance for Diffusion RL) als ein gradientenbasierter Optimierungsrahmen entwickelt. MARBLE verfolgt einen grundlegend anderen Ansatz, der belohnungsspezifische Überwachung während des gesamten Optimierungsprozesses beibehält.

Kernkomponenten von MARBLE

Anstatt Belohnungen zu einem Skalar zu kollabieren, implementiert MARBLE folgende Mechanismen:

• Unabhängige Vorteilsschätzer pro Belohnung: Für jede Belohnung wird ein unabhängiger Vorteilsschätzer beibehalten. Dadurch wird sichergestellt, dass jede Stichprobe präzise auf den Dimensionen bewertet wird, für die sie informativ ist.
• Berechnung von belohnungsspezifischen Politikgradienten: Für jede Belohnung werden individuelle Politikgradienten berechnet. Dies ermöglicht eine detaillierte Analyse der Auswirkungen jeder Belohnung auf die Modellparameter.
• Harmonisierung der Gradienten: Die berechneten Gradienten werden normalisiert, um Skalenunterschiede zu eliminieren. Anschließend werden sie durch das Lösen eines konvexen quadratischen Programms zu einer einzigen Update-Richtung harmonisiert. Dieser Schritt findet einen ausgewogenen Kompromiss über alle Belohnungsdimensionen hinweg, ohne manuelle Gewichtung.
• Amortisierte Formulierung: Um die Skalierbarkeit während des Trainings zu gewährleisten und Rechenkosten zu reduzieren, nutzt MARBLE eine amortisierte Formulierung. Diese reduziert den Rechenaufwand pro Schritt auf nahezu den einer Einzelbelohnungs-Baseline.
• EMA-Glättung der Balancekoeffizienten: Eine exponentielle gleitende Durchschnittsglättung (EMA) wird auf die Balancekoeffizienten angewendet. Dies stabilisiert die Updates gegen transiente Schwankungen in einzelnen Mini-Batches und verhindert, dass bestimmte Belohnungen vorübergehend unterdrückt werden.

Vorteile und Implikationen

MARBLE ermöglicht es, alle Belohnungsdimensionen gleichzeitig mit einem einzigen Modell zu verbessern. Dies unterscheidet sich von früheren Ansätzen, die entweder mehrere Modelle erforderten oder sequenzielle Abstimmungen mit hohem manuellem Aufwand notwendig machten. Die Fähigkeit, eine einzige Modellarchitektur für vielfältige Qualitätskriterien zu trainieren, reduziert die Komplexität und den Ressourcenverbrauch erheblich.

Die empirischen Ergebnisse auf SD3.5 Medium, einem Diffusionsmodell, zeigen, dass MARBLE alle fünf Belohnungsdimensionen gleichzeitig verbessert. Insbesondere wird die Gradienten-Kosinus-Ähnlichkeit der am schlechtesten ausgerichteten Belohnung von negativ (unter gewichteter Summation) in 80 % der Mini-Batches zu konsistent positiv gedreht. Dies deutet darauf hin, dass MARBLE eine effektive Lösung für das Problem der Fehlausrichtung von Gradienten bietet, das bei der einfachen Aggregation von Belohnungen auftritt.

Ein weiterer wichtiger Aspekt ist die Effizienz. Trotz der komplexeren Gradientenverarbeitung läuft MARBLE mit einer Trainingsgeschwindigkeit von 0,97x im Vergleich zur Baseline, was bedeutet, dass der zusätzliche Rechenaufwand minimal ist und die Methode praktikabel für den Einsatz in großskaligen Anwendungen ist.

Zukunftsperspektiven

Die Einführung von MARBLE stellt einen Fortschritt in der Feinabstimmung von Diffusionsmodellen dar. Sie bietet eine Grundlage für zukünftige Arbeiten zur skalierbaren, multiobjektiven Ausrichtung generativer Modelle. Für Unternehmen im B2B-Bereich, die auf hochwertige und präzise Bildgenerierung angewiesen sind, bedeutet dies die Möglichkeit, Diffusionsmodelle zu entwickeln, die eine breitere Palette von Qualitätskriterien gleichzeitig erfüllen können, ohne dabei Kompromisse bei der Effizienz einzugehen oder umfangreiche manuelle Anpassungen vornehmen zu müssen. Dies könnte die Entwicklung von spezialisierten Bildgenerierungstools für Design, Marketing, Medienproduktion und viele andere Bereiche erheblich vereinfachen und verbessern.

Bibliografie

• Zhao, C., Chen, H., Tong, Y., Qiao, Y., Li, J., & Shen, C. (2026). MARBLE: Multi-Aspect Reward Balance for Diffusion RL. arXiv preprint arXiv:2605.06507.
• Désidéri, J.-A. (2012). Multiple-gradient descent algorithm (MGDA) for multiobjective optimization. Comptes Rendus Mathematique, 350(5-6), 313-318.
• Sener, O., & Koltun, V. (2018). Multi-task learning as multi-objective optimization. Advances in Neural Information Processing Systems, 31.
• Zheng, Z., Wang, Z., Li, J., Huang, Y., & Li, T. (2025). DiffusionNFT: Noise-Free Training for Diffusion Models with Reinforcement Learning. arXiv preprint arXiv:2503.11240v2.
• AI Research Roundup. (2026, 7. Mai). MARBLE: Balancing Multi-Reward Diffusion RL. YouTube.