本文是LLM系列文章,针对《GNNAVI: Navigating the Information Flow in Large Language Models by Graph Neural Network》的翻译。
摘要
当带有演示的提示应用于大型语言模型(LLM)时,它们表现出强大的上下文学习(ICL)功能。然而,微调对于进一步增强它们的适应性仍然至关重要。在低数据场景中,基于提示的微调被证明是一种有效的微调方法,但对计算资源的高要求限制了其实用性。我们通过引入一种基于提示的参数有效微调(PEFT)方法来解决这个问题。GNNAVI利用对ICL信息流动态的深入了解,这表明标签词在提示中充当信息传播的锚。GNNAVI采用图形神经网络(GNN)层,通过将所需信息流硬连接到GNN中,在提示处理过程中精确地引导信息流的聚合和分布。我们在GPT-2和Llama2的文本分类任务上的实验表明,GNNAVI只更新了0.2%到0.5%的参数,在小样本设置中超过了标准的基于提示的微调方法。我们将GNNAVI与流行的PEFT方法(如前缀调整、LoRA和Adapter)在性能和效率方面进行了比较。我们的分析表明,GNNAVI增强了信息流,并确保了清晰的聚合过程。