本文主要是介绍ConPET: Continual Parameter-Efficient Tuning for Large Language Models,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
本文是LLM系列文章,针对《ConPET: Continual Parameter-Efficient Tuning for Large Language Models》的翻译。
ConPET:大型语言模型的连续参数高效调优
- 摘要
- 1 引言
- 2 相关工作
- 3 提出的方法
- 4 实验
- 5 结论与未来工作
摘要
持续学习需要不断调整模型以适应新出现的任务,同时尽量减少对旧任务的灾难性遗忘。由于高计算成本、内存消耗和遗忘问题,这对于具有全参数调优的大型语言模型(llm)来说是极具挑战性的。受参数有效调整(PET)成功的启发,我们提出了连续参数有效调整(ConPET),这是一种用于具有任务数无关训练复杂度的llm的持续任务自适应的可推广范例。ConPET包括两个不同应用场景的版本。首先,静态ConPET可以通过PET和动态重播策略,将原来为相对较小的模型设计的持续学习方法适应于llm,大大降低了调优成本,缓解了过度拟合和遗忘问题。此外,为了保持可扩展性,Dynamic ConPET为不同的任务采用单独的PET模块,并采用PET模块选择器进行动态优化选择。在我们广泛的实验中,静态ConPET的适应性帮助多种以前的方法将可调参数的规模减少了3000倍以上,并在五个较小的基准上超过pet基线至少5个点,而动态ConPET在最大的数据集上获得优势。代码和数据集可在https://github.com/Raincleared-Song/ConPET上获得。
1 引言
2 相关工作
3 提出的方法
4 实验
5 结论与未来工作
在本文中,我们主要讨论了llm对连续下游任务序列的高效自适应。为了实现这一目标,我们提出了ConPET范式,包括两个训练复杂度与任务数无关的版本。静态ConPET通过节省成本的PET和对过拟合和遗忘更具鲁棒性的动态采样策略,使以前基于记忆的方法适应于llm。相比之下,Dynamic ConPET由于其动态moe风格的体系结构,更易于扩展到具有大规模数据和任务模式的场景。实验证明了ConPET中使用的关键技术的有效性和合理性,大大降低了调整成本。在未来,我们将把ConPET扩展到更多样化的持续学习场景(例如,异构工具的持续学习),并通过探索更明智的任务分割策略进一步改进我们的范式。
这篇关于ConPET: Continual Parameter-Efficient Tuning for Large Language Models的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!