Editing Large Language Models: Problems, Methods, and Opportunities

要約

有能な LLM をトレーニングできるにもかかわらず、その関連性を維持し、エラーを修正するための方法論は依然としてとらえどころがありません。
この目的を達成するために、ここ数年、LLM を編集する技術が急増しています。その目的は、他の入力全体のパフォーマンスに悪影響を与えることなく、特定のドメイン内の LLM の動作を効率的に変更することです。
このペーパーでは、LLM のモデル編集に関連する問題、方法、機会についての深い調査に着手します。
特に、モデル編集に関連するタスク定義と課題の徹底的な概要を提供するとともに、現在利用できる最も進歩的な手法の詳細な実証分析も提供します。
また、より堅牢な評価を促進し、既存の手法に固有の永続的な問題を正確に特定するために、新しいベンチマーク データセットを構築します。
私たちの目的は、各編集手法の有効性と実現可能性について貴重な洞察を提供し、それによってコミュニティが情報に基づいて特定のタスクやコンテキストに最適な方法を選択できるよう支援することです。
コードとデータセットは https://github.com/zjunlp/EasyEdit で入手できます。

要約(オリジナル)

Despite the ability to train capable LLMs, the methodology for maintaining their relevancy and rectifying errors remains elusive. To this end, the past few years have witnessed a surge in techniques for editing LLMs, the objective of which is to efficiently alter the behavior of LLMs within a specific domain without negatively impacting performance across other inputs. This paper embarks on a deep exploration of the problems, methods, and opportunities related to model editing for LLMs. In particular, we provide an exhaustive overview of the task definition and challenges associated with model editing, along with an in-depth empirical analysis of the most progressive methods currently at our disposal. We also build a new benchmark dataset to facilitate a more robust evaluation and pinpoint enduring issues intrinsic to existing techniques. Our objective is to provide valuable insights into the effectiveness and feasibility of each editing technique, thereby assisting the community in making informed decisions on the selection of the most appropriate method for a specific task or context. Code and datasets are available at https://github.com/zjunlp/EasyEdit.

arxiv情報

著者 Yunzhi Yao,Peng Wang,Bozhong Tian,Siyuan Cheng,Zhoubo Li,Shumin Deng,Huajun Chen,Ningyu Zhang
発行日 2023-11-30 08:55:24+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CL, cs.CV, cs.IR, cs.LG パーマリンク