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

UnknownBody

于 2024-04-14 22:07:59 发布

阅读量87

点赞数

分类专栏： Graph Neural Network 文章标签：语言模型人工智能自然语言处理

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/137756066

版权

LLM 日更同时被 2 个专栏收录

828 篇文章

已下架不支持订阅

Graph Neural Network

23 篇文章

订阅专栏

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。

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。