GNNAVI: Navigating the Information Flow in Large Language Models by Graph Neural Network

828 篇文章

已下架不支持订阅

GNNAVI是一种基于图神经网络的参数有效微调方法,专为大型语言模型设计,用于在提示处理中引导信息流。在小样本设置下,它只需更新少量参数,即0.2%到0.5%,在文本分类任务上超越了标准的提示微调方法。GNNAVI通过增强信息流和明确的聚合过程,提高了LLM的性能和效率。

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《GNNAVI: Navigating the Information Flow in Large Language Models by Graph Neural Network》的翻译。

GNNAVI:用图神经网络导航大型语言模型中的信息流

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。

1 引言

2 相关工作

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