计算机科学 > 机器学习
[提交于 2025年5月30日
]
标题: 变色龙:一种灵活的数据混合框架,用于语言模型的预训练和微调
标题: Chameleon: A Flexible Data-mixing Framework for Language Model Pretraining and Finetuning
摘要: 训练数据混合方式对大型语言模型的泛化性能有重大影响。现有的领域重新加权方法通常依赖于昂贵的权重计算,并且在引入新数据时需要重新训练。为此,我们引入了一个灵活高效的混合框架——变色龙(Chameleon),它利用杠杆分数来量化学习嵌入空间中的领域重要性。我们首先在领域嵌入上构建一个领域亲和矩阵。由此产生的杠杆分数决定了一个混合方式,该方式会增加共享嵌入空间中共同表示的领域的权重。这种公式允许通过计算新的领域嵌入直接转移到新数据。在实验中,我们在三个关键场景中展示了改进:(i) 我们计算出的权重以现有方法的一小部分计算成本提高了预训练领域的性能;(ii) 变色龙可以适应数据变化而无需代理重新训练,在转移到新数据时提高了少量样本推理的准确性;(iii) 我们的方法在微调中实现了高效的领域重新加权,一致地降低了所有微调领域的测试困惑度。我们的代码可在 https://github.com/LIONS-EPFL/Chameleon 获取。
文献和引用工具
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
推荐器和搜索工具
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.