E.4.5 KL、RLHF、DPO 与互信息完整公式

前置知识：本页汇总 E.4 模块所有公式，建议在读完 E.4.1 到 E.4.4 后再来回顾。

---

这一页汇总 E.4 模块的完整公式，方便回顾。建议先读完前面几篇正文再来查表。

KL、交叉熵和熵的关系

前面分别看过熵、交叉熵和 KL 散度。它们其实被一个等式串在一起——这个等式是理解所有后续公式的基础。

$$D_{KL}(P\|Q)=H(P,Q)-H(P).$$

展开验证：

$$H(P,Q)-H(P) = -\sum_x P(x)\log Q(x) + \sum_x P(x)\log P(x).$$

合并求和：

$$=\sum_x P(x)\log\frac{P(x)}{Q(x)} =D_{KL}(P\|Q).$$

这说明 KL 散度可以理解为：如果真实分布是 $P$，但你用 $Q$ 来编码，会比最优编码多付出多少额外信息。

在机器学习中：

• 最小化交叉熵 $H(P,Q)$。
• 当 $P$ 固定时，等价于最小化 $D_{KL}(P\|Q)$。

这就是分类模型、奖励模型、语言模型训练中交叉熵损失的数学基础。

---

进阶公式：RLHF 中的 KL 正则目标

这一节把 KL 散度放到 RLHF 的完整优化目标中——奖励项把模型往高分回答推，KL 项像安全绳把模型拉回参考模型附近。

RLHF 的策略优化常写成：

$$\max_\pi \; \mathbb{E}_{x,y\sim\pi}[r(x,y)] -\beta D_{KL}(\pi(\cdot\mid x)\|\pi_{ref}(\cdot\mid x)).$$

其中：

• $r(x,y)$ 是奖励模型给回答 $y$ 的分数。
• $\pi$ 是当前要优化的策略模型。
• $\pi_{ref}$ 是参考模型，通常是 SFT 模型。
• $\beta$ 控制”追求奖励”和”别偏离参考模型”之间的权衡。

如果 $\beta$ 太小，模型容易为了奖励过度偏移，出现 reward hacking；如果 $\beta$ 太大，模型几乎不敢改变，学习效果弱。

---

进阶公式：DPO 的对数概率比

DPO 不显式训练奖励模型再跑 PPO，而是直接用偏好数据优化策略。它的核心工具是对数概率比——比较当前模型相对于参考模型对某个回答的偏好程度。

$$\log\frac{\pi_\theta(y\mid x)}{\pi_{ref}(y\mid x)}.$$

对于一个偏好样本 $(x,y_w,y_l)$，其中 $y_w$ 是更好的回答，$y_l$ 是较差回答，DPO 损失常写成：

$$\mathcal{L}_{DPO}(\theta) =-\log\sigma\left( \beta\left[ \log\frac{\pi_\theta(y_w\mid x)}{\pi_{ref}(y_w\mid x)} - \log\frac{\pi_\theta(y_l\mid x)}{\pi_{ref}(y_l\mid x)} \right] \right).$$

这个式子可以从简单例子理解：

• 如果模型相对参考模型更提高了 winner 的概率，第一项变大。
• 如果模型相对参考模型更提高了 loser 的概率，第二项变大，会抵消优势。
• 两者差值越大，说明模型越符合偏好数据。

DPO 的核心不是”让 winner 概率无限大”，而是”相对于参考模型，winner 应该比 loser 更受偏好”。这就是 KL 正则思想在偏好学习中的隐式体现。

---

进阶公式：互信息与表征学习

互信息把熵和 KL 散度结合在一起，回答”两个随机变量共享了多少信息”——在表征学习中用来评估状态表征是否保留了与任务回报相关的信息。

$$I(X;Y)=D_{KL}(P_{XY}\|P_XP_Y)=H(X)-H(X\mid Y).$$

在强化学习表征学习中，可以希望状态表征 $\phi(s)$ 和未来回报 $G_t$ 有较高互信息：

$$I(\phi(s);G_t) \text{ 较大}.$$

这表示表征中保留了和任务回报相关的信息。与此同时，也可能希望表征和无关噪声的互信息较低，从而提升泛化能力。

这类公式在基础算法中不一定直接出现，但在探索、表示学习、世界模型和无监督 RL 中很常见。

---

小结

本页汇总了 E.4 模块的核心公式：

公式类别	核心等式/表达式	直觉含义
KL-交叉熵-熵	$D_{KL}(P|Q)=H(P,Q)-H(P)$	多出来的编码成本就是分布差异
RLHF 目标	$\max_\pi \mathbb{E}[r]-\beta D_{KL}(\pi|\pi_{ref})$	追求奖励但别离参考模型太远
DPO 损失	$-\log\sigma(\beta\log\frac{\pi_\theta(y_w)}{\pi_{ref}(y_w)}-\beta\log\frac{\pi_\theta(y_l)}{\pi_{ref}(y_l)})$	相对概率差越大越好
互信息	$I(X;Y)=H(X)-H(X\mid Y)=D_{KL}(P_{XY}|P_XP_Y)$	知道 $Y$ 后 $X$ 不确定性减少了多少

下一篇：E.4.6 公式速查与练习 —— 汇总本模块所有公式，用练习检验理解。