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.

Pretraining Language Models to Ponder in Continuous Space

Created by
  • Haebom

저자

Boyi Zeng, Shixiang Song, Siyuan Huang, Yixuan Wang, He Li, Ziwei He, Xinbing Wang, Zhiyu Li, Zhouhan Lin

개요

본 논문은 언어 모델에 '숙고(pondering)' 과정을 도입하여 복잡한 문장 요소를 생성하기 전에 모델이 추가적인 처리 시간을 확보하고 더 깊은 인지적 처리를 가능하게 하는 방법을 제시합니다. 숙고 과정은 단일 토큰 생성 단계 내에서 순전파 과정을 반복적으로 호출하여 구현됩니다. 실제 토큰을 생성하는 대신, 모델은 예측된 토큰 분포에 따라 모든 토큰 임베딩의 가중 합을 생성하고, 이를 다시 입력으로 사용하여 순전파 과정을 반복합니다. 이러한 숙고 과정은 자기 지도 학습을 통해 학습되며, 추가적인 인간의 주석이 필요하지 않습니다. GPT-2, Pythia, LLaMA 등 다양한 언어 모델에 적용 가능하며, 실험 결과 매개변수 수가 두 배인 기존 모델과 비슷하거나 뛰어난 성능을 보였습니다. 특히, 숙고 과정을 적용한 Pythia 모델은 기존 모델보다 9개의 다운스트림 벤치마크에서 상당히 우수한 성능을 나타냈으며, Pythia-1B에 숙고 과정을 적용한 모델은 10배 더 많은 데이터로 학습된 TinyLlama-1.1B와 비슷한 성능을 달성했습니다.

시사점, 한계점

시사점:
언어 모델의 성능 향상을 위한 새로운 접근 방식 제시: 숙고 과정을 통해 매개변수 수 증가 없이 성능 향상을 달성.
자기 지도 학습 기반으로 추가적인 인간의 개입 없이 학습 가능.
다양한 언어 모델 아키텍처에 적용 가능한 일반적인 방법론.
적은 데이터로 높은 성능 달성 가능성 제시.
한계점:
숙고 과정의 구체적인 작동 메커니즘에 대한 심층적인 분석 부족.
다양한 데이터셋 및 모델 아키텍처에 대한 추가적인 실험 필요.
숙고 과정의 계산 비용 증가 가능성.
숙고 과정이 모든 유형의 언어 모델 및 작업에 효과적인지에 대한 추가적인 검증 필요.
👍