Don't Half-listen: Capturing Key-part Information in Continual Instruction Tuning
Created by
Haebom
저자
Yongquan He, Wenyuan Zhang, Xuancheng Huang, Peng Zhang, Lingxun Meng, Xiang Zhou, Ke Zeng, Xunliang Cai
개요
본 논문은 대규모 언어 모델(LLM)의 지속적 지시 조정(CIT) 과정에서 발생하는 치명적 망각(CF) 문제를 해결하기 위한 새로운 방법인 KPIG(Key-part Information Gain) 기반의 지속적 지시 조정 방법을 제안합니다. 기존 방법들이 표면적인 패턴만 기억하고 새로운 과제에 혼란을 겪는 문제를 해결하기 위해, KPIG는 마스크된 부분에 대한 정보 이득을 계산하여 데이터를 동적으로 재생하고 훈련 목표를 개선합니다. 이를 통해 LLM이 정답과 관련된 과제 인식 정보를 포착하고 지시사항의 일반적인 설명에 대한 과적합을 완화할 수 있습니다. 또한, LLM의 일반화 및 지시 따르기 능력을 측정하기 위한 두 가지 지표인 P-score와 V-score를 제안합니다. 실험 결과, 제안된 방법이 기존 방법보다 기존 과제와 새로운 과제 모두에서 우수한 성능을 달성함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
지속적 지시 조정(CIT) 과정에서 발생하는 치명적 망각(CF) 문제를 효과적으로 완화하는 새로운 방법 제시.
◦
과제 인식 정보에 집중하여 과적합을 줄이고 일반화 성능을 향상시키는 전략 제시.
◦
LLM의 일반화 및 지시 따르기 능력을 평가할 수 있는 새로운 지표(P-score, V-score) 제안.
