AdapterSoup: Weight Averaging to Improve Generalization of Pretrained Language Models

要約

事前トレーニング済み言語モデル (PLM) は大規模なコーパスでトレーニングされますが、多くの場合、特定のドメインに特化する必要があります。
パラメーター効率の高い適応方法では、言語モデリングのタスクで各ドメインのアダプターをトレーニングすることをお勧めします。
これにより、ドメイン内の良好なスコアが得られますが、ドメインまたはリソースが制限された設定では実用的ではない可能性があります。
解決策は、テスト時に新しいドメインに関連ドメイン アダプターを使用することです。
このホワイトペーパーでは、さまざまなドメインでトレーニングされたアダプターの重み空間平均化を実行するアプローチである AdapterSoup を紹介します。
私たちのアプローチは恥ずかしいほど並行しています。まず、ドメイン固有のアダプターのセットをトレーニングします。
次に、新しいドメインごとに、テスト時にどのアダプターを平均化するかを決定します。
私たちは、AdapterSoup が追加のトレーニングなしで新しいドメインのパフォーマンスを一貫して改善することを示す広範な実験を提示します。
また、異なるハイパーパラメーターを使用して同じドメインでトレーニングされたアダプターの加重平均を調査し、ドメイン内の強力な結果を取得しながら、新しいドメインで PLM のパフォーマンスを維持することを示します。
テキスト クラスタリングや意味的類似性など、組み合わせるアダプターを選択するためのさまざまなアプローチを検討します。
クラスタリングを使用すると、新しいドメインで最も競争力のある結果が得られることがわかりました。

要約(オリジナル)

Pretrained language models (PLMs) are trained on massive corpora, but often need to specialize to specific domains. A parameter-efficient adaptation method suggests training an adapter for each domain on the task of language modeling. This leads to good in-domain scores but can be impractical for domain- or resource-restricted settings. A solution is to use a related-domain adapter for the novel domain at test time. In this paper, we introduce AdapterSoup, an approach that performs weight-space averaging of adapters trained on different domains. Our approach is embarrassingly parallel: first, we train a set of domain-specific adapters; then, for each novel domain, we determine which adapters should be averaged at test time. We present extensive experiments showing that AdapterSoup consistently improves performance to new domains without extra training. We also explore weight averaging of adapters trained on the same domain with different hyper-parameters, and show that it preserves the performance of a PLM on new domains while obtaining strong in-domain results. We explore various approaches for choosing which adapters to combine, such as text clustering and semantic similarity. We find that using clustering leads to the most competitive results on novel domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google