論文の概要: Knowledge Distillation of LLM for Education
- arxiv url: http://arxiv.org/abs/2312.15842v1
- Date: Tue, 26 Dec 2023 01:24:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 16:21:37.938803
- Title: Knowledge Distillation of LLM for Education
- Title(参考訳): 教育用LDMの知識蒸留
- Authors: Ehsan Latif, Luyang Fang, Ping Ma, and Xiaoming Zhai
- Abstract要約: 本研究では,微調整型大言語モデル(LLM)の知識を,より小さく,より効率的かつ正確なニューラルネットワークに蒸留する方法を提案する。
我々の手法は、教師モデルとして機能するLLMの予測確率を用いて、より小さな学生モデルを訓練することを含む。
その結果、NNと蒸留された学生モデルは、7Tデータセットの教師モデルに匹敵する精度を持つことがわかった。
- 参考スコア(独自算出の注目度): 4.541309099803903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study proposes a method for distilling the knowledge of fine-tuned Large
Language Models (LLMs) into a smaller, more efficient, and accurate neural
network, specifically targeting the challenge of deploying these models on
resource-constrained devices. Our methodology involves training the smaller
student model using the prediction probabilities of the LLM, which serves as a
teacher model. This is achieved through a specialized loss function tailored to
learn from the LLM's output probabilities, ensuring that the student model
closely mimics the teacher's performance. To test this approach, we utilized a
large dataset, 7T, containing 6,684 student-written responses to science
questions and three other datasets with student-written responses. We also
compared performance with original neural network (NN) models to validate the
accuracy. Results have shown that the NN and distilled student models have
comparable accuracy to the teacher model for the 7T dataset; however, other
datasets have shown significantly lower accuracy (28% on average) for NN,
though our proposed distilled model is still able to achieve 12\% higher
accuracy than NN. Furthermore, the student model size ranges from 0.1M to
0.02M, 100 times smaller in terms of parameters and ten times smaller compared
with the original output model size. The significance of this research lies in
its potential to make advanced AI technologies accessible in typical
educational settings, particularly for automatic scoring.
- Abstract(参考訳): 本研究では,細調整された大言語モデル(LLM)の知識を,より小さく,より効率的かつ正確なニューラルネットワークに蒸留する方法を提案する。
本手法では,教師モデルとして機能するllmの予測確率を用いて,小学生モデルの学習を行う。
これはllmの出力確率から学習するために調整された特殊損失関数によって達成され、生徒モデルが教師のパフォーマンスを密接に模倣することを保証する。
このアプローチをテストするために,6,684名の学生が回答する大規模データセット7Tと,学生が回答する他の3つのデータセットを用いた。
また、元のニューラルネットワーク(NN)モデルと性能を比較し、精度を検証した。
その結果、NNと蒸留した学生モデルは7Tデータセットの教師モデルに匹敵する精度を示したが、他のデータセットではNNの精度が有意に低く(平均28%)、提案した蒸留モデルはNNよりも12倍高い精度を達成することができた。
さらに、学生モデルのサイズは0.1mから0.02mの範囲で、パラメータの100倍小さく、元の出力モデルサイズに比べて10倍小さい。
この研究の意義は、高度なAI技術を一般的な教育環境、特に自動スコアリングで利用できるようにすることにある。
関連論文リスト
- Enhancing Knowledge Distillation for LLMs with Response-Priming Prompting [1.9461727843485295]
そこで本研究では,学生モデルの性能向上のための新しい応答プライシング手法を提案する。
Llama 3.1 405B 教師モデルから知識を抽出し,より小さな Llama 3.1 8B 教師モデルを微調整する。
その結果, 蒸留したLlama 3.1 8BインストラクトのGSM8Kは55%向上した。
論文 参考訳(メタデータ) (2024-12-18T20:41:44Z) - Learning with Less: Knowledge Distillation from Large Language Models via Unlabeled Data [54.934578742209716]
現実世界のNLPアプリケーションでは、Large Language Models (LLMs) は巨大なデータセットの広範なトレーニングのために、有望なソリューションを提供する。
LLKDは、教師と学生の両方の信号を組み込んだ適応的なサンプル選択法である。
総合的な実験により,LLKDは高いデータ効率で,様々なデータセットで優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2024-11-12T18:57:59Z) - Exploring and Enhancing the Transfer of Distribution in Knowledge Distillation for Autoregressive Language Models [62.5501109475725]
知識蒸留(KD)は、より小さな学生モデルを模倣するように訓練することで、大きな教師モデルを圧縮する技術である。
本稿では、教師ネットワークが小さなオンラインモジュールを統合し、学生モデルと同時学習するオンライン知識蒸留(OKD)について紹介する。
OKDは、様々なモデルアーキテクチャやサイズにおけるリードメソッドのパフォーマンスを達成または超え、トレーニング時間を最大4倍に短縮する。
論文 参考訳(メタデータ) (2024-09-19T07:05:26Z) - MiniLLM: Knowledge Distillation of Large Language Models [112.93051247165089]
知識蒸留(KD)は,大規模言語モデル(LLM)の高い計算要求を低減させる,有望な手法である。
より小さな言語モデルにLPMを蒸留するKD手法を提案する。
提案手法は,120Mから13Bのパラメータを持つ異なるモデルファミリに対してスケーラブルである。
論文 参考訳(メタデータ) (2023-06-14T14:44:03Z) - Directed Acyclic Graph Factorization Machines for CTR Prediction via
Knowledge Distillation [65.62538699160085]
本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。
KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
論文 参考訳(メタデータ) (2022-11-21T03:09:42Z) - Knowledge Distillation with Representative Teacher Keys Based on
Attention Mechanism for Image Classification Model Compression [1.503974529275767]
知識蒸留(KD)はモデルパラメータを減らすためのモデル圧縮の効果的な方法の1つとして認識されている。
注意機構にヒントを得て,代表教師キー(RTK)と呼ばれる新しいKD手法を提案する。
提案するRTKは,最先端の注意に基づくKD手法の分類精度を効果的に向上させることができる。
論文 参考訳(メタデータ) (2022-06-26T05:08:50Z) - Boosting Light-Weight Depth Estimation Via Knowledge Distillation [21.93879961636064]
本稿では,最小限の計算資源を用いて深度マップを正確に推定できる軽量ネットワークを提案する。
モデル複雑性を最大に低減するコンパクトなモデルアーキテクチャを設計することで、これを実現する。
本手法は, パラメータの1%しか使用せず, 最先端手法に匹敵する性能を実現する。
論文 参考訳(メタデータ) (2021-05-13T08:42:42Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - Reinforced Multi-Teacher Selection for Knowledge Distillation [54.72886763796232]
知識蒸留はモデル圧縮の一般的な方法です。
現在の方法は、蒸留全体の教師モデルに固定重量を割り当てます。
既存のメソッドのほとんどは、すべての教師モデルに等しい重みを割り当てます。
本論文では,学習例の複雑性や生徒モデル能力の違いから,教師モデルとの違いを学習することで,生徒モデルの蒸留性能の向上が期待できることを考察する。
論文 参考訳(メタデータ) (2020-12-11T08:56:39Z) - Ensemble Knowledge Distillation for CTR Prediction [46.92149090885551]
我々は知識蒸留(KD)に基づく新しいモデルトレーニング戦略を提案する。
KDは、教師モデルから学んだ知識を学生モデルに移すための教師学生学習フレームワークである。
本稿では,教師のゲーティングや蒸留損失による早期停止など,CTR予測のアンサンブル化を促進する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-11-08T23:37:58Z)
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。