A Shared Attention Framework for Parameter-Efficient Continual Learning of Large Language Models

828 篇文章

已下架不支持订阅

本文提出SAPT,一种共享注意力框架,用于参数高效的大型语言模型的持续学习。SAPT通过共享注意力调整学习和选择模块,减少灾难性遗忘,促进知识迁移。实验证明SAPT在不同模型大小、架构和任务上表现优越。

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《SAPT: A Shared Attention Framework for Parameter-Efficient Continual Learning of Large Language Models》的翻译。

SAPT:一个用于大型语言模型参数有效连续学习的共享注意力框架

摘要

持续学习(CL)能力对于在动态世界中部署大型语言模型(LLM)至关重要。现有的方法设计了学习模块来获取具有参数有效调整(PET)块的特定任务知识,并设计了选择模块来为测试输入挑选相应的知识,旨在应对CL中灾难性遗忘和知识迁移的挑战。然而,这些方法往往只解决其中一个挑战,忽略了将两个模块对齐以同时有效解决灾难性遗忘和知识迁移的潜力。为此,我们提出了一种新的共享注意力框架(SAPT),通过共享注意力学习和选择模块来调整PET的学习和选择。在两个CL基准上的大量实验证明了SAPT的优越性。此外,当我们将SAPT扩展到不同的模型大小(从770M到13B)、不同的模型架构(T5和LLaMA-2)和看不见的任务时,SAPT始终证明了它的优势。

1 引言

2 相关工作

3 问题定义和设置

4 方法

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