Scaling Laws for Forgetting When Fine-Tuning Large Language Models

828 篇文章

已下架不支持订阅

本文探讨了在微调大型语言模型(LLM)时遗忘现象的研究,发现参数有效微调策略如LoRA仍存在遗忘问题。遗忘与微调参数数量和更新步骤呈幂律关系,且影响模型知识、推理安全。提前停止或改变微调参数无法避免遗忘,呼吁未来研究关注减轻遗忘的微调方案。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Scaling Laws for Forgetting When Fine-Tuning Large Language Models》的翻译。

摘要

我们研究并量化了在下游任务中微调预先训练的大型语言模型(LLM)时的遗忘问题。我们发现,参数有效微调(PEFT)策略,如低秩适配器(LoRA),仍然存在灾难性遗忘。特别是,当使用LoRA微调LLM时,我们确定了微调性能和遗忘量之间的强逆线性关系。我们进一步获得了精确的比例律,该比例律显示遗忘随着微调参数数量和更新步骤数量的幂律移动而增加。我们还研究了遗忘对知识、推理和Llama 2 7B聊天中训练的安全护栏的影响。我们的研究表明,不能通过提前停止或通过改变微调参数的数量来避免遗忘。我们相信,这为未来的研究开辟了一个重要的安全关键方向,以评估和开发减轻遗忘的微调方案。

1 引言

2 相关工作和背景

3 方法和实验设置

4 经验结果和遗忘规律

5 结论

总之,使用LoRA微调设置,我们实证证明,在对下游任务进行微调期间,微调损失的线性函数

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值