プレフィックスチューニング
接頭辞調整は、すべてのレイヤーの入力の前に追加される連続ベクトルの小さなセットをトレーニングすることにより、フリーズされた言語モデルを適応させるパラメーター効率の高い方法です。
概要
It lets you customize giant models for new tasks while updating less than 1% of parameters.
ディープダイブ
スタンフォード大学の研究者 Li 氏と Liang 氏によって 2021 年に導入されたプレフィックス チューニングは、重みを変更することなく、事前学習された変換器を適応させます。すべてのパラメーターを微調整する代わりに、トレーニング可能な一連の「仮想トークン」 (プレフィックス) をすべてのアテンション層のキーと値の先頭に追加します。凍結されたモデルは、あたかも実際のコンテキストであるかのようにこのプレフィックスに注意を払い、その動作をターゲット タスクに向けて制御します。プレフィックス ベクトルのみが学習されるため、完全なモデルのコピーではなく、タスクごとに 1 つの小さなプレフィックスを保存できます。これにより、多くのタスクを安価に実行できるようになり、完全な微調整によるストレージの爆発を回避できます。表からテキストへの変換や要約などの生成タスクで特に優れたパフォーマンスを発揮し、多くの場合、高データ設定での完全な微調整に匹敵します。
技術的な洞察
入力埋め込み層にベクトルを追加するだけのプロンプト チューニングとは異なり、プレフィックス チューニングでは、トレーニング可能なキー/値ベクトルをすべてのトランスフォーマー層のセルフ アテンションに注入します。トレーニングを安定させるために、プレフィックスは通常、直接最適化されるのではなく、小さなフィードフォワード ネットワーク (再パラメータ化トリック) によって生成されます。そのネットワークはトレーニング後に破棄され、学習されたプレフィックス行列だけが残ります。これらのプレフィックス パラメーターのみが勾配を受け取ります。バックボーン全体は固定されたままになります。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
プレフィックスチューニングの未来
プレフィックス チューニングは、パラメーター効率の良い微調整 (PEFT) ウェーブの立ち上げに役立ち、Hugging Face PEFT などのライブラリの構成要素として残っています。基本モデルが数千億のパラメーターに成長するにつれて、プレフィックスのような軽量アダプターは、マルチテナントのサービスやデバイス上のパーソナライゼーションにとってますます魅力的になります。プレフィックスと LoRA スタイルの低ランク更新を組み合わせたハイブリッド アプローチが継続され、モデル全体を再トレーニングすることなくスタイル、ペルソナ、および安全動作を制御する用途が拡大することが予想されます。
現実世界の実装
WebNLG データセットで小さなプレフィックスをトレーニングすることにより、1 つの凍結 GPT-2 バックボーンをテーブルからテキストへの生成に適応させる
単一の共有モデルから数十の顧客固有の要約スタイルを、それぞれ交換可能なプレフィックス ファイルとして提供します。
基本重みを再トレーニングせずにチャットボットの言語モデルのトーンやペルソナを制御する
法律文書や医学文書の生成など、完全な微調整がオーバーフィットとなる低データのドメイン適応
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Prefix Tuning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
次のガイド
除去サンプリングの微調整
よくある質問
What is Prefix Tuning?
接頭辞調整は、すべてのレイヤーの入力の前に追加される連続ベクトルの小さなセットをトレーニングすることにより、フリーズされた言語モデルを適応させるパラメーター効率の高い方法です。 1% 未満のパラメーターを更新しながら、新しいタスクに合わせて巨大なモデルをカスタマイズできます。
プレフィックス チューニングは実際に何をトレーニングしますか?
プレフィックス チューニングはバックボーンをフリーズし、少数の連続プレフィックス ベクトルのみを学習して、パラメータ効率を保ちます。
プレフィックス ベクトルはどこに注入されますか?
プレフィックス調整は、入力だけでなく、すべてのトランスフォーマー層のセルフアテンションでトレーニング可能なキー/値ベクトルを先頭に追加します。
プレフィックス チューニングを導入したのは誰で、おおよそいつですか?
プリフィックス チューニングは、2021 年にスタンフォード大学の Xiang Lisa Li 氏と Percy Liang 氏によって提案されました。
多くのタスクを処理する場合、プレフィックス調整が魅力的なのはなぜですか?
小さなプレフィックスのみがタスク固有であるため、モデル全体を複製するのではなく、タスクごとに 1 つの小さなファイルを保存します。
プレフィックストレーニングを安定させるためによく使用されるトリックは何ですか?
小規模な MLP は、安定性を高めるためにトレーニング中にプレフィックスを生成した後、学習されたプレフィックス行列だけを残して破棄されます。