Efficiently Democratizing Medical LLMs for 50 Languages via a Mixture of Language Family Experts

要約

医療の大規模な言語モデルをローカル言語に適応させると、医療サービスへのアクセスに対する障壁を減らすことができますが、データ不足は依然として重要な課題です。
これに対処するために、最初に高品質の医療データセットと実施分析を構築して、その品質を確保します。
多言語LLMの一般化能力を活用して、よりリソースに制約のある言語に効率的にスケーリングするために、専門家（MOE）のモジュール性を使用して多言語の観点からLLMの内部情報フローを調査します。
技術的には、言語固有の専門家と横断的ルーティングを採用する新しいMOEルーティング方法を提案します。
回路理論に触発されたルーティング分析により、最終情報フローメカニズムにおけるスプレッドアウトが明らかになりました。以前の層は、言語間情報の流れを濃縮しますが、後のレイヤーは言語固有の発散を示します。
この洞察は、密集した他のレイヤーでのみまばらなルーティングを適用し、密集した他の層を維持しながら、ポストモーのアーキテクチャの開発に直接つながりました。
実験結果は、このアプローチが解釈可能性を維持しながら、多言語モデルの他の言語への一般化を強化することを示しています。
最後に、モデルを50の言語に効率的にスケーリングするために、言語家族の専門家の概念を紹介します。言語的事前に基づいて、パラメーターを追加せずに言語の数をスケーリングできます。

要約(オリジナル)

Adapting medical Large Language Models to local languages can reduce barriers to accessing healthcare services, but data scarcity remains a significant challenge, particularly for low-resource languages. To address this, we first construct a high-quality medical dataset and conduct analysis to ensure its quality. In order to leverage the generalization capability of multilingual LLMs to efficiently scale to more resource-constrained languages, we explore the internal information flow of LLMs from a multilingual perspective using Mixture of Experts (MoE) modularity. Technically, we propose a novel MoE routing method that employs language-specific experts and cross-lingual routing. Inspired by circuit theory, our routing analysis revealed a Spread Out in the End information flow mechanism: while earlier layers concentrate cross-lingual information flow, the later layers exhibit language-specific divergence. This insight directly led to the development of the Post-MoE architecture, which applies sparse routing only in the later layers while maintaining dense others. Experimental results demonstrate that this approach enhances the generalization of multilingual models to other languages while preserving interpretability. Finally, to efficiently scale the model to 50 languages, we introduce the concept of language family experts, drawing on linguistic priors, which enables scaling the number of languages without adding additional parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google