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.

Rethinking the Understanding Ability across LLMs through Mutual Information

Created by
  • Haebom

저자

Shaojie Wang, Sirui Ding, Na Zou

개요

본 논문은 대규모 언어 모델(LLM)의 내재적 언어 이해력 평가에 대한 새로운 정보이론적 프레임워크를 제시합니다. 입력 문장과 그 잠재 표현 간의 상호 정보(MI)를 이용하여 언어 이해를 정량화합니다. 문장 수준 MI를 토큰 수준 MI로 분해하고, Fano의 부등식을 이용하여 계산 가능한 토큰 수준 MI의 하한을 도출합니다. 이는 토큰 복원 가능성(sentence embedding으로부터 원래 토큰을 예측하는 능력)과 직접적으로 관련됩니다. 실험 결과, 인코더 전용 모델이 디코더 전용 모델보다 더 높은 정보 충실도를 유지하며, 디코더 전용 모델은 후기 레이어에서 상호 정보가 먼저 증가한 후 감소하는 "망각" 패턴을 보이는 것을 확인했습니다. 또한, 토큰 수준 복원 가능성을 극대화하도록 미세 조정하면 과제 특정 감독 없이도 LLM의 이해 능력이 향상됨을 보여줍니다.

시사점, 한계점

시사점:
상호 정보량을 기반으로 LLM의 언어 이해력을 정량적으로 평가하는 새로운 프레임워크 제시
인코더 전용 모델과 디코더 전용 모델의 성능 차이를 상호 정보량 측면에서 설명
토큰 수준 복원 가능성 극대화를 통한 LLM 성능 향상 가능성 제시
과제 특정 감독 없이 LLM의 이해 능력 향상 가능성 제시
한계점:
제시된 프레임워크가 모든 유형의 LLM에 적용 가능한지에 대한 추가 연구 필요
상호 정보량 이외의 다른 요소들도 LLM의 언어 이해력에 영향을 미칠 수 있음
토큰 수준 복원 가능성이 언어 이해력의 완벽한 지표인지에 대한 추가 검증 필요
👍