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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。