論文の概要: Can LLMs Learn by Teaching? A Preliminary Study

• arxiv url: http://arxiv.org/abs/2406.14629v1
• Date: Thu, 20 Jun 2024 18:00:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 18:23:10.672611
• Title: Can LLMs Learn by Teaching? A Preliminary Study
• Title（参考訳）: LLMは教育によって学べるか? : 予備的研究
• Authors: Xuefei Ning, Zifu Wang, Shiyao Li, Zinan Lin, Peiran Yao, Tianyu Fu, Matthew B. Blaschko, Guohao Dai, Huazhong Yang, Yu Wang,
• Abstract要約: 既存のLLMトレーニング/プロンプティングパイプラインにLbTのアイデアを組み込むことで,顕著な改善が期待できる。 具体的には,ヒトにおけるLbTの3つのレベルのうちの1つを模倣する3つの手法を設計する。 例えば、人間におけるLbTと同様、(1)LbTは弱強一般化を誘導できる:強いモデルは、他の弱いモデルを教えることによって、自分自身を改善することができる;(2)学生の多様性は、複数の学生に教えることが、一人の生徒や教師自身を教えることよりも、より良くなるかもしれない。
• 参考スコア（独自算出の注目度）: 26.317548264733425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teaching to improve student models (e.g., knowledge distillation) is an extensively studied methodology in LLMs. However, for humans, teaching not only improves students but also improves teachers. We ask: Can LLMs also learn by teaching (LbT)? If yes, we can potentially unlock the possibility of continuously advancing the models without solely relying on human-produced data or stronger models. In this paper, we provide a preliminary exploration of this ambitious agenda. We show that LbT ideas can be incorporated into existing LLM training/prompting pipelines and provide noticeable improvements. Specifically, we design three methods, each mimicking one of the three levels of LbT in humans: observing students' feedback, learning from the feedback, and learning iteratively, with the goals of improving answer accuracy without training and improving models' inherent capability with fine-tuning. The findings are encouraging. For example, similar to LbT in human, we see that: (1) LbT can induce weak-to-strong generalization: strong models can improve themselves by teaching other weak models; (2) Diversity in students might help: teaching multiple students could be better than teaching one student or the teacher itself. We hope that this early promise can inspire future research on LbT and more broadly adopting the advanced techniques in education to improve LLMs. The code is available at https://github.com/imagination-research/lbt.
• Abstract（参考訳）: 学生モデルを改善するための指導(例えば、知識蒸留)は、LLMにおいて広く研究されている方法論である。 しかし、人間にとって、教育は生徒を改良するだけでなく、教師も改善する。 LLMは教育(LbT)でも学べますか? もしそうなら、人間が生成したデータやより強力なモデルに頼ることなく、モデルを継続的に前進させる可能性を解き放つことができます。 本稿では,この野心的な課題を予備調査する。 既存のLLMトレーニング/プロンプティングパイプラインにLbTのアイデアを組み込むことで,顕著な改善が期待できる。 具体的には、学生のフィードバックを観察し、フィードバックから学び、反復的に学習する3段階のLbTの1つのレベルを模倣する3つの手法を設計する。 調査結果は好意的だ。 例えば、人間におけるLbTと同様、(1)LbTは弱強一般化を誘導できる:強いモデルは、他の弱いモデルを教えることによって、自分自身を改善することができる;(2)学生の多様性は、複数の学生に教えることが、一人の生徒や教師自身を教えることよりも、より良くなるかもしれない。 我々は、この早期の約束が将来のLbTの研究を刺激し、LLMを改善するための教育の先進的な技術を採用することを願っている。 コードはhttps://github.com/imagination-research/lbt.comで公開されている。

関連論文リスト

• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• TinyLLM: Learning a Small Student from Multiple Large Language Models [23.736611338497244]
  TinyLLMは、複数の大規模LLMから小学生のLLMを学ぶための新しい知識蒸留パラダイムである。 そこで本研究では,文脈的に適切なシナリオにおいて,理科が正確で基礎が整っていることを保証するために,文脈内サンプル生成と教師強制型Chain-of-Thought戦略を導入する。
  論文  参考訳（メタデータ） (2024-02-07T06:48:24Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Self-Rewarding Language Models [105.6830788170348]
  言語モデル自体がLLM-as-a-Judgeを介して使用される自己回帰言語モデルについて検討し、学習中に独自の報酬を提供する。 反復型DPOトレーニングでは,指導の追従能力が向上するだけでなく,高品質な報酬をそれ自体に提供する能力も向上することを示す。
  論文  参考訳（メタデータ） (2024-01-18T14:43:47Z)
• Tuna: Instruction Tuning using Feedback from Large Language Models [74.04950416204551]
  本稿では,新しいテキスト確率的ランキングとテキストコンテクスチュアルランキングを用いた命令調整型大規模言語モデルの微調整を提案する。 確率的ランク付けにより、教師のLCMから高品質で低品質なレスポンスの相対的なランク付けを継承することができる。 一方、文脈的ランキングを学習することで、より強いLLMの文脈的理解能力を用いて、モデルが独自の応答分布を洗練できる。
  論文  参考訳（メタデータ） (2023-10-20T09:55:06Z)
• Democratizing Reasoning Ability: Tailored Learning from Large Language Model [97.4921006089966]
  そこで我々は,そのような推論能力をより小さなLMに蒸留する,適切な学習手法を提案する。 対話型多ラウンド学習パラダイムを構築することにより,理科教員としてのLLMの可能性を活用する。 より小さなLMの推論可能性を活用するために,学生が自作ミスから学習する動機付けを目的とした自己回帰学習を提案する。
  論文  参考訳（メタデータ） (2023-10-20T07:50:10Z)
• One Teacher is Enough? Pre-trained Language Model Distillation from Multiple Teachers [54.146208195806636]
  本稿では,事前学習型言語モデル圧縮のためのMT-BERTという多言語知識蒸留フレームワークを提案する。 MT-BERTは、複数の教師PLMから高品質な学生モデルを訓練できることを示す。 PLMの圧縮におけるMT-BERTの有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2021-06-02T08:42:33Z)
• Learning by Teaching, with Application to Neural Architecture Search [10.426533624387305]
  学習による学習(LBT)と呼ばれる新しいMLフレームワークを提案する。 lbtでは、教師モデルが生徒モデルにうまく学ぶように教えることで自己改善する。 バリデーションデータセットで生徒がどのように振る舞うかに基づいて、教師はモデルを再学習し、生徒が優れたバリデーション性能に達するまで再指導する。
  論文  参考訳（メタデータ） (2021-03-11T23:50:38Z)

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。