华盛顿大学&MetaAI:使用无监督领域发现扩展专家语言模型

643次阅读
没有评论

华盛顿大学&MetaAI:使用无监督领域发现扩展专家语言模型

大型语言模型通常是密集训练的:所有参数均根据所有输入进行更新。这需要在数千个GPU之间同步数十亿个参数。本文引入了一种简单而有效的方法,可以在任意文本语料库上异步训练大型稀疏语言模型。本文的方法将语料库聚类成相关文档集,针对每个集群训练一个单独的专家语言模型,并在推理时将它们组合成一个稀疏集合。这种方法通过自动发现每个专家的域,推广了尴尬的并行训练,并消除了现有稀疏语言模型的几乎所有通信开销。本文的技术在多个语料库和少样本任务上优于密集基线,并且分析表明,专家针对有意义的群集进行专业化是取得这些收益的关键。性能也随着专家数量和训练数据的规模增加而提高,表明这是一种高效且可访问的大型语言模型训练方法。

标题:Scaling Expert Language Models with Unsupervised Domain Discovery

作者:Suchin Gururangan, Margaret Li, Mike Lewis, Weijia Shi, Tim Althoff, Noah A. Smith, Luke Zettlemoyer

论文:https://papers.labml.ai/api/v1/redirect/pdf?paper_key=007ddf7ccc4211edb95839eec3084ddd

华盛顿大学&MetaAI:使用无监督领域发现扩展专家语言模型

华盛顿大学&MetaAI:使用无监督领域发现扩展专家语言模型

 

Read More 

正文完
可以使用微信扫码关注公众号(ID:xzluomor)
post-qrcode
 
评论(没有评论)
Generated by Feedzy