Deciphering the Impact of Pretraining Data on Large Language Models through Machine Unlearning

828 篇文章

已下架不支持订阅

本文通过机器无学习方法系统分析了预训练数据对大型语言模型(LLM)性能的影响,揭示了预训练语料库各部分对LLM能力的贡献,识别出高影响力数据,并探讨了数据的互补、正交和相关性。研究为LLM的预训练数据优化提供了指导。

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《Deciphering the Impact of Pretraining Data on Large Language Models through Machine Unlearning》的翻译。

摘要

通过在具有各种来源的语料库上进行预训练,大型语言模型(LLM)获得了令人印象深刻的性能。然而,预训练语料库的每个组成部分的影响仍然是不透明的。因此,预训练语料库的组织仍然是经验的,可能会偏离最佳状态。为了解决这个问题,我们系统地分析了LLM的5个主要类别的预训练数据的48个数据集的影响,并使用关于9个主要类别模型能力的基准来衡量它们对LLM的影响。我们的分析提供了关于多个语料库对LLM性能的贡献的经验结果,以及它们的联合影响模式,包括互补、正交和相关关系。我们还确定了一组“高影响数据”,如与一组模型功能显著相关的书籍。这些发现为数据的组织提供了见解,以支持更有效的LLM预训练。

1 引言

2 方法论与有效性分析

3 主要分析

4 关于优化预训练语料库和训练过程的提示

5 相关工作

6 结论

在这项研究中,我们

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