論文の概要: Mind Your Format: Towards Consistent Evaluation of In-Context Learning Improvements

• arxiv url: http://arxiv.org/abs/2401.06766v3
• Date: Thu, 6 Jun 2024 19:01:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 20:27:02.990230
• Title: Mind Your Format: Towards Consistent Evaluation of In-Context Learning Improvements
• Title（参考訳）: Mind Your Format: 文脈内学習改善の一貫性評価を目指して
• Authors: Anton Voronov, Lena Wolf, Max Ryabinin,
• Abstract要約: 大規模な言語モデルは、いくつかの例から新しいタスクを解くための驚くべき能力を示している。 プロンプトテンプレート、あるいはインプット例をフォーマットしてプロンプトを取得する方法は、コンテキスト内学習の重要な側面であるが、見過ごされがちである。 テンプレートの貧弱な選択は、最強モデルと推論手法の性能をランダムな推測レベルに低下させ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）: 10.687101698324897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models demonstrate a remarkable capability for learning to solve new tasks from a few examples. The prompt template, or the way the input examples are formatted to obtain the prompt, is an important yet often overlooked aspect of in-context learning. In this work, we conduct a comprehensive study of the template format's influence on the in-context learning performance. We evaluate the impact of the prompt template across 21 models (from 770M to 70B parameters) and 4 standard classification datasets. We show that a poor choice of the template can reduce the performance of the strongest models and inference methods to a random guess level. More importantly, the best templates do not transfer between different setups and even between models of the same family. Our findings show that the currently prevalent approach to evaluation, which ignores template selection, may give misleading results due to different templates in different works. As a first step towards mitigating this issue, we propose Template Ensembles that aggregate model predictions across several templates. This simple test-time augmentation boosts average performance while being robust to the choice of random set of templates.
• Abstract（参考訳）: 大規模な言語モデルは、いくつかの例から新しいタスクを解くための驚くべき能力を示している。 プロンプトテンプレート、あるいはインプット例をフォーマットしてプロンプトを取得する方法は、コンテキスト内学習の重要な側面であるが、見過ごされがちである。 本研究では,テンプレート形式が文脈内学習性能に与える影響について,包括的に研究する。 我々は、21モデル(770Mから70Bパラメータ)と4つの標準分類データセットに対するプロンプトテンプレートの影響を評価した。 テンプレートの貧弱な選択は、最強モデルと推論手法の性能をランダムな推測レベルに低下させることができることを示す。 さらに重要なのは、最高のテンプレートは異なるセットアップ間でも、同じファミリーのモデル間でも転送しません。 この結果から,テンプレート選択を無視する評価手法が,異なる作業におけるテンプレートの相違による誤解を招く可能性が示唆された。 この問題を緩和する第一歩として、いくつかのテンプレートにまたがるモデル予測を集約するTemplate Ensemblesを提案する。 この単純なテスト時間拡張は、ランダムなテンプレートセットの選択に対して堅牢でありながら、平均的なパフォーマンスを高める。

関連論文リスト

• Does Prompt Formatting Have Any Impact on LLM Performance? [10.869929764785464]
  本稿では,異なるプロンプトテンプレートが大規模言語モデル(LLM)の性能に与える影響について検討する。 自然言語推論やコード生成,OpenAIのGPTモデルを用いた翻訳といったタスクに対する影響を評価した。 実験の結果、GPT-3.5-turboの性能はプロンプトテンプレートによって最大40%変化し、GPT-4のような大型モデルはより堅牢であることがわかった。
  論文  参考訳（メタデータ） (2024-11-15T19:26:38Z)
• Detection and Measurement of Syntactic Templates in Generated Text [58.111650675717414]
  モデルにおける一般的な反復を特徴付けるための構文的特徴の解析を行う。 モデルでは、下流のタスクにおいて、人間の参照テキストよりも高いレートでテンプレートテキストを生成する傾向にある。
  論文  参考訳（メタデータ） (2024-06-28T19:34:23Z)
• BvSP: Broad-view Soft Prompting for Few-Shot Aspect Sentiment Quad Prediction [10.313467662221319]
  アスペクト感情クワッド予測(ASQP)は、アスペクト項、意見項、アスペクトカテゴリー、感情極性を含む4つのアスペクトベースの要素を予測することを目的としている。 この研究はASQPを数ショットのシナリオに定式化し、実際のアプリケーションで高速に適応することを目的としている。
  論文  参考訳（メタデータ） (2024-06-11T15:32:32Z)
• Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
  最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。 より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。 これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-03-26T12:47:39Z)
• Label-Efficient Model Selection for Text Generation [14.61636207880449]
  DiffUseは、好みアノテーションに基づいた候補テキスト生成モデル間の情報決定を行う手法である。 何百ものモデルペアに対する一連の実験において、DiffUseは必要なアノテーション数を劇的に削減できることを示した。
  論文  参考訳（メタデータ） (2024-02-12T18:54:02Z)
• MixPro: Simple yet Effective Data Augmentation for Prompt-based Learning [53.185180119904174]
  我々は、バニラ入力テキストとテンプレートの両方を拡張するために設計された拡張方法であるMixProを紹介する。 実験の結果、MixProは他の拡張ベースラインよりも優れており、モデルパフォーマンスは平均5.08%向上している。
  論文  参考訳（メタデータ） (2023-04-19T03:38:25Z)
• Model ensemble instead of prompt fusion: a sample-specific knowledge transfer method for few-shot prompt tuning [85.55727213502402]
  我々は、ソースタスクのソフトプロンプトから知識を伝達することで、プロンプトチューニングにおける数ショットのパフォーマンスを改善することに集中する。 我々はソースモデル(SESoM)のサンプル固有アンサンブルを提案する。 SESoMは、ソースモデルが出力されるときに、ターゲットの各サンプルに対するソースモデルのコントリビューションを個別に調整することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-23T01:33:16Z)
• An Information-theoretic Approach to Prompt Engineering Without Ground Truth Labels [55.06990011183662]
  我々は、ラベル付き例やtextitwithout のモデルへの直接アクセスなしに、プロンプトテンプレートを選択する新しい方法を提案する。 7つの異なるNLPタスクを表す8つのデータセットにまたがって、テンプレートが高い相互情報を持つ場合、そのタスクに対して高い精度を持つことを示す。
  論文  参考訳（メタデータ） (2022-03-21T21:51:43Z)
• Template-free Prompt Tuning for Few-shot NER [46.59447116255979]
  テンプレートを使わずにNERタスクをLM問題として再構成するよりエレガントな手法を提案する。 具体的には,事前学習モデルの単語予測パラダイムを維持しながらテンプレート構築プロセスを捨てる。 実験により, バート・タガー法およびテンプレートベース法に対して, 数ショット設定で提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-09-28T07:19:24Z)

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。