Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2409.00284

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2409.00284 (cs)
[提交于 2024年8月30日 (v1) ,最后修订 2024年10月15日 (此版本, v2)]

标题: 通过可能性的视角重新定义大型语言模型的数据价值

标题: Reframing Data Value for Large Language Models Through the Lens of Plausibility

Authors:Mohamad Rida Rammal, Ruida Zhou, Suhas Diggavi
摘要: 数据估值旨在回答一个重要问题:“这些数据的价值是多少?” 现有的数据估值方法主要集中在判别模型上,主要通过数据在训练中的效用来衡量其价值。然而,随着大规模语言模型的兴起,依赖需要训练的估值方法变得越来越昂贵,并且更加依赖特定技术。 我们为语言模型的数据价值问题提出了一种替代视角,围绕数据的可能性展开讨论。我们认为,如果数据可以被模型本身合理生成,那么它的价值就较低。 从一些符合我们对有价值数据直觉的标准出发,我们开发了一种计算可行且基于第一性原理的新颖价值函数,该函数具有可证明的特性。我们对该价值函数进行了理论分析,并在多个场景和数据集上对其进行了评估。
摘要: Data valuation seeks to answer the important question, "How much is this data worth?" Existing data valuation methods have largely focused on discriminative models, primarily examining data value through the lens of its utility in training. However, with the push for ever-larger language models, relying on valuation methods that require training becomes increasingly expensive and dependent on specific techniques. We propose an alternative perspective on the data value problem for language models, centering around the plausibility of the data. We posit that data holds lesser value if it can be plausibly generated by the model itself. Starting from some intuitive criteria that align with our notions of valuable data, we develop a novel value function that is computationally tractable and derived from first principles with provable properties. We conduct a theoretical analysis of our value function and evaluate it across multiple scenarios and datasets.
主题: 机器学习 (cs.LG) ; 人工智能 (cs.AI); 计算与语言 (cs.CL)
引用方式: arXiv:2409.00284 [cs.LG]
  (或者 arXiv:2409.00284v2 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2409.00284
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Mohamad Rida Rammal [查看电子邮件]
[v1] 星期五, 2024 年 8 月 30 日 22:32:24 UTC (240 KB)
[v2] 星期二, 2024 年 10 月 15 日 20:04:22 UTC (241 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-09
切换浏览方式为:
cs
cs.AI
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号