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, 요약본 공유 시 출처만 명기하면 됩니다.
This service is supported by Google Gemini.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 요약본 공유 시 출처만 명기하면 됩니다.
This service is supported by Google Gemini.
Share
Improving Reasoning Performance in Large Language Models via Representation Engineering
Created by
- Haebom
Category
Empty
저자
Bertram H{\o}jer, Oliver Jarvis, Stefan Heinrich
개요
본 논문은 대규모 언어 모델(LLM)의 추론 능력 향상을 위한 표현 엔지니어링 접근법을 제시한다. LLM의 잔차 스트림(residual stream)에서 활성화 값을 읽어 제어 벡터를 도출하고, 이를 모델에 적용하여 추론 시 모델의 표현 공간을 조절함으로써 특정 작업의 성능을 향상시킨다. Mistral-7B-Instruct 및 다양한 Pythia 모델을 대상으로 귀납적, 연역적, 수학적 추론 과제에서 실험을 진행하여 제어 벡터를 통해 LLM의 추론 능력을 향상시킬 수 있음을 보였다. 추가적인 훈련 없이 잔차 스트림에 간단한 개입만으로 특정 과제의 성능을 향상시킬 수 있음을 보여주며, LLM의 추론 성능을 다른 정보 처리 작업과 마찬가지로 조절할 수 있음을 시사한다. 제어 벡터 도출 및 모델 표현 분석을 위한 코드를 공개한다.
시사점, 한계점
•
시사점:
◦
LLM의 추론 능력을 추가 훈련 없이 향상시킬 수 있는 새로운 방법 제시.
◦
잔차 스트림 조작을 통한 LLM 제어 가능성을 실증적으로 입증.
◦
KL divergence 및 entropy와 같은 지표를 활용하여 제어 벡터의 영향 분석 가능.
◦
다양한 LLM 모델과 추론 과제에 적용 가능성 확인.
◦
모델의 표현 공간 조절을 통한 추론 성능 개선 가능성 제시.
•
한계점:
◦
모델의 이상적인 상태를 정확하게 추출하는 능력에 의존적임.
◦
제어 벡터의 효과는 과제의 종류 및 모델에 따라 다를 수 있음.
◦
제안된 방법의 일반화 성능에 대한 추가 연구 필요.
◦
제어 벡터 도출의 복잡성 및 계산 비용에 대한 고려 필요.
