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.

Large Continual Instruction Assistant

Created by
  • Haebom

저자

Jingyang Qiao, Zhizhong Zhang, Xin Tan, Yanyun Qu, Shouhong Ding, Yuan Xie

개요

본 논문은 지속적인 지시 조정(CIT)에서 기존의 기울기 업데이트가 이전 데이터셋의 성능을 크게 저하시키는 문제를 해결하기 위해, 지속적인 지시 조정을 위한 일반적인 프레임워크를 제안합니다. 기존의 지수 이동 평균(EMA)이 이전 매개변수를 추적하여 망각을 줄이는 데 도움이 되지만, 변화하는 데이터셋에 대한 균형을 맞추지 못하는 한계를 극복하고자, 손실 함수의 테일러 전개를 기반으로 기울기와 학습된 매개변수에 의해 최적의 균형 가중치를 자동으로 결정하는 안정성-가소성 균형 계수를 제안합니다. 또한, 지시어의 의미적 유사성을 기반으로 재훈련 또는 매개변수 확장 여부를 결정하고 테스트 인스턴스에 가장 적합한 매개변수를 할당합니다. 여러 지속적인 지시 조정 벤치마크에 대한 광범위한 실험을 통해 제안된 방법이 망각 방지 기능을 향상시키고 전반적인 지속적인 조정 성능을 크게 향상시킨다는 것을 보여줍니다. 코드는 https://github.com/JingyangQiao/CoIN 에서 확인할 수 있습니다.

시사점, 한계점

시사점:
기존 CIT의 망각 문제를 효과적으로 해결하는 새로운 프레임워크 제시
안정성과 가소성 간의 최적 균형을 자동으로 찾는 알고리즘 개발
지시어의 의미적 유사성을 활용한 효율적인 매개변수 관리 전략 제시
다양한 벤치마크에서 성능 향상을 실험적으로 검증
한계점:
제안된 방법의 일반화 성능에 대한 추가적인 연구 필요
다양한 종류의 지시어 및 데이터셋에 대한 로버스트니스 평가 필요
계산 비용 및 복잡도에 대한 분석 필요
👍