MiniPLM: Knowledge Distillation for Pre-Training Language Models

要約

知識蒸留 (KD) は、大規模な教師 LM を使用して、小規模でパフォーマンスの高い学生言語モデル (LM) をトレーニングするために広く使用されています。
事前トレーニング中の KD は微調整には効果的ですが、効率、柔軟性、有効性の点で課題に直面しています。
既存の方法では、オンラインの教師による推論により高い計算コストが発生するか、教師と生徒の LM 間のトークン化マッチングが必要になるか、教師が生成したトレーニング データの難易度や多様性が失われるリスクがあります。
これらの問題に対処するために、教師の知識を使用してトレーニング データの分布を調整することにより、LM を事前トレーニングするための KD フレームワークである MiniPLM を提案します。
効率性を高めるために、MiniPLM はオフラインの教師 LM 推論を実行し、トレーニング時間のコストを追加することなく複数の生徒 LM の KD を可能にします。
柔軟性を高めるために、MiniPLM はトレーニング コーパス上でのみ動作し、モデル ファミリ全体で KD を可能にします。
効率性を高めるために、MiniPLM は大規模な LM と小規模な LM の違いを活用してトレーニング データの難易度と多様性を強化し、学生 LM が多用途で洗練された知識を習得できるようにします。
広範な実験により、MiniPLM が広く使用されている 9 つの下流タスクにおける学生 LM のパフォーマンスを向上させ、言語モデリング機能を向上させ、事前トレーニングの計算を削減することが実証されました。
MiniPLM の利点は、スケーリング曲線の外挿によって明らかなように、大規模な事前トレーニング スケールにまで及びます。
さらなる分析により、MiniPLM がモデル ファミリ全体で KD をサポートし、事前トレーニング データの利用を強化していることが明らかになりました。
私たちのモデル、コード、データは https://github.com/thu-coai/MiniPLM で入手できます。

要約(オリジナル)

Knowledge distillation (KD) is widely used to train small, high-performing student language models (LMs) using large teacher LMs. While effective in fine-tuning, KD during pre-training faces challenges in efficiency, flexibility, and effectiveness. Existing methods either incur high computational costs due to online teacher inference, require tokenization matching between teacher and student LMs, or risk losing the difficulty and diversity of the teacher-generated training data. To address these issues, we propose MiniPLM, a KD framework for pre-training LMs by refining the training data distribution with the teacher’s knowledge. For efficiency, MiniPLM performs offline teacher LM inference, allowing KD for multiple student LMs without adding training-time costs. For flexibility, MiniPLM operates solely on the training corpus, enabling KD across model families. For effectiveness, MiniPLM leverages the differences between large and small LMs to enhance the difficulty and diversity of the training data, helping student LMs acquire versatile and sophisticated knowledge. Extensive experiments demonstrate that MiniPLM boosts the student LMs’ performance on 9 widely used downstream tasks, improves the language modeling capabilities, and reduces pre-training computation. The benefit of MiniPLM extends to large pre-training scales, evidenced by the extrapolation of the scaling curves. Further analysis reveals that MiniPLM supports KD across model families and enhances the utilization of pre-training data. Our model, code, and data are available at https://github.com/thu-coai/MiniPLM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google