Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Regress, Don't Guess -- A Regression-like Loss on Number Tokens for Language Models

Created by
  • Haebom

저자

Jonas Zausinger, Lars Pennig, Anamarija Kozina, Sean Sdahl, Julian Sikora, Adrian Dendorfer, Timofey Kuznetsov, Mohamad Hagog, Nina Wiedemann, Kacper Chlodny, Vincent Limbach, Anna Ketteler, Thorben Prein, Vishwa Mohan Singh, Michael Morris Danziger, Jannis Born

개요

본 논문은 언어 모델이 숫자 생성에 어려움을 겪는 문제를 해결하기 위해 새로운 손실 함수인 Number Token Loss (NTL)를 제안합니다. 기존의 Cross Entropy loss는 숫자의 근접성을 고려하지 못하는 한계가 있으므로, NTL은 토큰 수준에서 Lp norm 또는 Wasserstein distance를 최소화하여 숫자 토큰 간의 거리를 직접적으로 고려합니다. NTL은 기존 언어 모델에 추가하여 훈련 과정에 손쉽게 적용 가능하며, 실행 속도 저하 없이 성능 향상을 가져옵니다. 다양한 수학 관련 데이터셋에서 NTL의 효과를 검증하였으며, 회귀 문제에서는 회귀 헤드와 유사한 성능을 보였습니다. 30억 파라미터 모델에도 적용하여 성능 향상을 확인하였습니다.

시사점, 한계점

시사점:
언어 모델의 수리적 추론 능력 향상에 기여할 수 있는 새로운 손실 함수 제시
기존 언어 모델에 손쉽게 적용 가능하며, 실행 속도 저하 없이 성능 향상 가능
대규모 언어 모델에서도 효과적으로 작동함을 확인
LLM의 사전 훈련 목표 개선에 대한 새로운 방향 제시
한계점:
제시된 손실 함수의 일반적인 수학 문제 해결 능력에 대한 추가적인 연구 필요
다양한 종류의 수학 문제에 대한 일반화 성능 평가 필요
다른 손실 함수와의 비교 분석이 더욱 심도 있게 필요할 수 있음
👍