SIGIR2024 | 大模型推荐的数据高效微调方法

最新推荐文章于 2024-09-24 09:40:31 发布

江湖人称麻花滕

最新推荐文章于 2024-09-24 09:40:31 发布

阅读量738

点赞数 23

文章标签：人工智能架构面试职场和发展语言模型

本文链接：https://blog.csdn.net/m0_59235699/article/details/140504846

版权

TLDR: 本文提出了针对大模型推荐的高效数据剪枝任务，旨在识别具有代表性的样本，以此为大模型少量微调进行量身定制。

论文：https://arxiv.org/abs/2401.17197
代码：https://github.com/Linxyhaha/DEALRec

使用大语言模型来进行推荐任务最近可谓是相当火热，其中微调在大模型适配方面起着非常关键的作用。然而，在推荐数据上对大模型进行微调的成本限制了它们的实际应用。为了解决这一挑战，少样本微调提供了一种很有希望的方法，可以快速使得大模型适应新的推荐数据，并且大大降低了训练时间和计算资源，如下图所示。

从图中可以看出，仅使用数百个样本，BIGRec就取得了显著的性能。(b)展示了替代模型的低成本。

尽管上述方法有效，但随机选择数据用于高效微调可能造成大模型对新用户或新物品表示欠佳。基于此，本文提出了一种数据剪枝任务，以实现高效的大模型推荐，旨在识别为大模型少样本微调量身定制的代表性样本。

虽然核心集合选择与所提出的任务密切相关，但现有的核心集合选择方法往往依赖于次优的启发式指标，或需要在大规模推荐数据上进行复杂的优化。为解决这些问题，在大模型推荐背景下，为数据修剪任务引入了两个主要目标:

1)高精度旨在识别可以导致整体高性能的有影响样本;
2)高效突显了数据剪枝过程的低成本。

为了实现这两个目标，本文提出了一种新的数据剪枝方法DEALRec，该方法融合了两个分数，即影响力分数和努力分数，以高效地识别有影响力的样本。

DEALRec首先在完整的训练样本上训练代理模型。随后，它计算影响力得分，然后通过努力得分正则化，以确定有影响力的样本。

(a)描述了大模型中先验知识对学习能力的影响。(b)给出了大模型和代理模型在游戏数据集上努力分数的分布

特别地，引入影响分数以准确估计删除每个样本对整体性能的影响。为了降低数据剪枝过程的成本，我们使用一个小规模的代理模型来替代大模型以获得影响力分数。考虑到代理模型和大模型之间的潜在差距，进一步提出一个努力分数，以优先考虑一些专门为大模型的困难样本。下图展示了具体的算法流程

在两个具有竞争力的大模型推荐模型上实例化所提方法，在三个真实数据集上的实证结果验证了所提方法的有效性。该方法仅使用2%的样本就超过了全数据微调，将时间成本降低了97%。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述