zhangsiyuan
52ba43f08d
- Module C: BC+PPO training v5/v6 done; eval results in experiments/eval_intervention_v{5,6}.json
- Reward: v5 label-aligned constrained reward (code/src/rl/reward.py)
- Ablations: Module B (history_r, response_only, full) + Module C (wo_category_reward)
- SOTA baselines: WildGuard and ShieldGemma2b eval scripts and results
- Paper: update sections 05–08 (Module B/C description, experiments table, discussion)
- Docs: add record.md (change log), update state.md and exp.md; retire change.md
- Tools: add html-to-ppt utilities and run_shieldgemma2b.sh
- Configs: add ablation YAML configs for Module B and C
- Cleanup: remove stale reference/ PNG screenshots
Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
78 lines
3.7 KiB
TeX
78 lines
3.7 KiB
TeX
% ============================================================
|
||
\section{实验}
|
||
\label{sec:experiments}
|
||
% ============================================================
|
||
|
||
\subsection{实验设置}
|
||
|
||
\subsubsection{评测集}
|
||
|
||
所有实验均在CompanionRisk-Bench测试集（$n=1,486$）上进行。
|
||
为验证泛化性，Module B的评估额外在non-homogeneous子集
|
||
（393条真实人-AI对话）上进行独立报告。
|
||
|
||
\subsubsection{评测指标}
|
||
|
||
\textbf{检测任务（Module B）}：
|
||
\begin{itemize}
|
||
\item Binary F1（有风险/无风险二分类F1）
|
||
\item High-risk Recall（高风险样本$y_\text{risk}=1$的召回率）
|
||
\item False Negative Rate (FNR)（漏检率）
|
||
\item Level Weighted F1（风险等级5分类加权F1）
|
||
\item Fine Macro F1（14类细粒度标签宏平均F1）
|
||
\end{itemize}
|
||
|
||
\textbf{干预任务（Module C）}：
|
||
\begin{itemize}
|
||
\item Safety Recall（L3/L4高风险样本被正确干预比例）
|
||
\item Over-refusal Rate（L0安全样本被REWRITE及以上干预的比例）
|
||
\item Action Accuracy（与标注推荐动作$a_\text{recommend}$的吻合率）
|
||
\item Crisis Precision（CRISIS动作中L4样本的比例）
|
||
\item Safety-UX F-score（安全召回率与过拒率的调和平均衍生得分）
|
||
\end{itemize}
|
||
|
||
\subsubsection{基线方法}
|
||
|
||
\textbf{检测基线}：
|
||
L1a（关键词匹配）、L1b（正则词典）、L1c（组合）；
|
||
L2a（ShieldGemma-2B，binary F1=0.027，FNR=0.987）、L2b（WildGuard，binary F1=0.038，FNR=0.981）
|
||
|
||
\textbf{干预基线}：
|
||
Rule-based（$l_\text{risk} \geq 3$即REJECT，其余PASS）、
|
||
Threshold Baseline（按风险分数阈值映射动作）、
|
||
LLM-as-judge（Qwen/Qwen2.5-72B-Instruct零样本直接判断干预动作，temperature=0）
|
||
|
||
\subsection{RQ1：检测性能分析}
|
||
|
||
详细结果见第\ref{sec:moduleB}节表\ref{tab:moduleB_main}和表\ref{tab:per_category_recall}。
|
||
|
||
Module B在所有指标上大幅优于基线。
|
||
值得关注的是，两款通用守卫模型均严重失效：
|
||
ShieldGemma-2B（FNR=0.987）与WildGuard（FNR=0.981）
|
||
在R3情感操纵、R4现实隔离、R10越界亲密等伴侣特有类别上召回率为0.0\%，
|
||
整体漏检率甚至高于简单关键词规则基线（L1c FNR=0.816）。
|
||
这一结果表明，通用安全分类体系与中文伴侣场景之间存在系统性偏差，
|
||
而本文Module B（FNR=0.000）通过专属分类体系和上下文感知架构有效弥补了这一差距。
|
||
|
||
\subsection{RQ2：干预策略比较}
|
||
|
||
RL策略（safety\_recall=0.953，UX F-score=0.976）
|
||
显著优于所有基线。
|
||
LLM-as-judge（Qwen2.5-72B零样本）表现最差（safety\_recall=0.397，over\_refusal=0.211，UX F-score=0.528）：
|
||
逐级动作分布分析显示，该模型对L3/L4高风险内容倾向输出WARN而非REWRITE（L3高风险中PASS+WARN占63.6\%），
|
||
同时对11.0\%的安全样本误判为CRISIS，表明在伴侣场景专属五动作空间下，
|
||
零样本LLM在安全与体验的双向校准上存在系统性困难；
|
||
这进一步说明了针对该任务进行专项强化学习训练的必要性。
|
||
Rule-based（0.908 / 0.952）和Threshold（0.908 / 0.952）基线虽简单，其safety\_recall反而高于零样本LLM。
|
||
RL策略在action\_accuracy（0.706）上较纯行为克隆BC-only（0.696）提升1.4pp，
|
||
验证了PPO阶段对细粒度动作学习的必要性。
|
||
BC-only虽可达到较高safety\_recall（0.940），
|
||
但其action\_accuracy和crisis\_precision均低于完整RL策略，
|
||
说明强化学习阶段有效改善了动作精度。
|
||
|
||
\subsection{RQ3：消融实验}
|
||
|
||
\todo{消融实验表格待补充。预期包含：
|
||
(1) Module B：Response-only / History+R / Persona+R / Full；
|
||
(2) Module C：BC-only / RL w/o category reward / Full RL。}
|