論文の概要: On Compositionality and Improved Training of NADO

• arxiv url: http://arxiv.org/abs/2306.11825v1
• Date: Tue, 20 Jun 2023 18:36:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 16:03:53.808710
• Title: On Compositionality and Improved Training of NADO
• Title（参考訳）: NADOの組成と改善
• Authors: Sidi Lu and Wenbo Zhao and Chenyang Tao and Arpit Gupta and Shanchan Wu and Tagyoung Chung and Nanyun Peng
• Abstract要約: NeurAlly-Decomposed Oracle (NADO)は、大きな言語モデルで制御可能な生成のための強力なアプローチである。 我々は特定のプラクティスでNADOの保証された合成一般化を実現することができることを示す。
• 参考スコア（独自算出の注目度）: 40.03893487371036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NeurAlly-Decomposed Oracle (NADO) is a powerful approach for controllable generation with large language models. Differentiating from finetuning/prompt tuning, it has the potential to avoid catastrophic forgetting of the large base model and achieve guaranteed convergence to an entropy-maximized closed-form solution without significantly limiting the model capacity. Despite its success, several challenges arise when applying NADO to more complex scenarios. First, the best practice of using NADO for the composition of multiple control signals is under-explored. Second, vanilla NADO suffers from gradient vanishing for low-probability control signals and is highly reliant on the forward-consistency regularization. In this paper, we study the aforementioned challenges when using NADO theoretically and empirically. We show we can achieve guaranteed compositional generalization of NADO with a certain practice, and propose a novel alternative parameterization of NADO to perfectly guarantee the forward-consistency. We evaluate the improved training of NADO, i.e. NADO++, on CommonGen. Results show that NADO++ improves the effectiveness of the algorithm in multiple aspects.
• Abstract（参考訳）: NeurAlly-Decomposed Oracle (NADO)は、大きな言語モデルで制御可能な生成のための強力なアプローチである。 微調整/プロパントチューニングとの違いは、大きなベースモデルの破滅的な忘れることを避け、モデル容量を著しく制限することなくエントロピー最大化されたクローズドフォームソリューションへの収束を保証できる可能性がある。 その成功にもかかわらず、もっと複雑なシナリオにNADOを適用する際にいくつかの課題が生じる。 まず,複数の制御信号の合成にnadoを使う最善の方法は未検討である。 第2に、バニラナドは低確率制御信号の勾配消失に苦しめられ、フォワードコンシスタンス正則化に大きく依存する。 本稿では,NADOの理論的および実験的利用における課題について考察する。 本研究では, NADOの合成一般化を一定の実践で達成できることを示し, 前方整合性を完全に保証する新しいパラメータ化を提案する。 我々はCommonGen上でNADO(NADO++)の改良トレーニングを評価する。 その結果,NADO++はアルゴリズムの有効性を複数の面で向上させることがわかった。

関連論文リスト

• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)
• Achieving Constraints in Neural Networks: A Stochastic Augmented Lagrangian Approach [49.1574468325115]
  DNN(Deep Neural Networks)の正規化は、一般化性の向上とオーバーフィッティングの防止に不可欠である。 制約付き最適化問題としてトレーニングプロセスのフレーミングによるDNN正規化に対する新しいアプローチを提案する。 我々はAugmented Lagrangian (SAL) 法を用いて、より柔軟で効率的な正規化機構を実現する。
  論文  参考訳（メタデータ） (2023-10-25T13:55:35Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Controllable Text Generation with Neurally-Decomposed Oracle [91.18959622763055]
  我々はNeurAlly-Decomposed Oracle (NADO) を用いた自動回帰生成モデルを制御するフレームワークを提案する。 制御可能な生成のためのベースモデルにトークンレベルのガイダンスを組み込むためのクローズドフォーム最適解を提案する。
  論文  参考訳（メタデータ） (2022-05-27T20:17:53Z)
• Energy-Based Models for Code Generation under Compilability Constraints [2.9176992922046923]
  本研究では,コンパイル可能なコードを制約満足度として生成する学習の課題を提起する。 本稿では,コンパイル可能なシーケンスのみを生成する制約を課した,事前学習された生成モデルを表すEnergy-Based Model(EBM)を定義する。 次に,KL-Adaptive Distributional Policy Gradientアルゴリズムを用いて,EMMを近似した生成モデルを訓練する。
  論文  参考訳（メタデータ） (2021-06-09T11:06:32Z)
• An EM Approach to Non-autoregressive Conditional Sequence Generation [49.11858479436565]
  自己回帰(AR)モデルは条件付きシーケンス生成において支配的なアプローチである。 非自己回帰(NAR)モデルは、最近、すべての出力トークンを並列に生成することでレイテンシを低減するために提案されている。 本稿では,ARモデルとNARモデルの両方を統合期待最大化フレームワークで協調的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-29T20:58:57Z)
• Bayesian Sparse learning with preconditioned stochastic gradient MCMC and its applications [5.660384137948734]
  提案アルゴリズムは, 温和な条件下で, 制御可能なバイアスで正しい分布に収束する。 提案アルゴリズムは, 温和な条件下で, 制御可能なバイアスで正しい分布に収束可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T20:57:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。