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:2505.24844

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2505.24844 (cs)
[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

Authors:Wanyun Xie, Francesco Tonin, Volkan Cevher
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。
摘要: Training data mixtures greatly impact the generalization performance of large language models. Existing domain reweighting methods often rely on costly weight computations and require retraining when new data is introduced. To this end, we introduce a flexible and efficient data mixing framework, Chameleon, that employs leverage scores to quantify domain importance within a learned embedding space. We first construct a domain affinity matrix over domain embeddings. The induced leverage scores determine a mixture that upweights domains sharing common representations in embedding space. This formulation allows direct transfer to new data by computing the new domain embeddings. In experiments, we demonstrate improvements over three key scenarios: (i) our computed weights improve performance on pretraining domains with a fraction of the compute of existing methods; (ii) Chameleon can adapt to data changes without proxy retraining, boosting few-shot reasoning accuracies when transferred to new data; (iii) our method enables efficient domain reweighting in finetuning, consistently improving test perplexity on all finetuning domains over uniform mixture. Our code is available at https://github.com/LIONS-EPFL/Chameleon.
评论: ICML 2025
主题: 机器学习 (cs.LG) ; 计算与语言 (cs.CL)
引用方式: arXiv:2505.24844 [cs.LG]
  (或者 arXiv:2505.24844v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.24844
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Wanyun Xie [查看电子邮件]
[v1] 星期五, 2025 年 5 月 30 日 17:43:10 UTC (892 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 | 2025-05
切换浏览方式为:
cs
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