BabyLM Challenge: Exploring the Effect of Variation Sets on Language Model Training Efficiency

要約

現在の大規模な言語モデルは驚くべき成功を収めていますが、データ効率は克服するのが依然として課題です。
最近、児童指向の音声（CDS）が、変圧器のニューラルネットワークに基づいた現代言語モデルのトレーニングデータ効率を改善できることが示唆されています。
ただし、CDの特定の特性がこれらのモデルのトレーニングに効果的であることはまだ理解されていません。
Babylm Challengeの文脈では、CDSで遍在する、わずかに異なる単語と構造で同様の意図を表現する連続した発話セット（VSS）に焦点を当てます。
トレーニングデータの効率に対するVSSの影響を評価するために、さまざまなプロポーションのCDSデータを人工VSSの割合で補強し、これらのデータセットを使用して自動回帰モデルGPT-2をトレーニングします。
VSSの最高の割合は評価ベンチマークに依存していることがわかります。BSSと接着剤のスコアはVSSの存在から利益を得ていますが、Ewokスコアはそうではありません。
さらに、結果は、エポックの数や発話の順序などの複数の要因によって異なります。
まとめると、これらの発見は、VSSが言語モデルに有益な影響を与える可能性があることを示唆していますが、さらなる調査の余地を残しています。

要約(オリジナル)

While current large language models have achieved a remarkable success, their data efficiency remains a challenge to overcome. Recently it has been suggested that child-directed speech (CDS) can improve training data efficiency of modern language models based on Transformer neural networks. However, it is not yet understood which specific properties of CDS are effective for training these models. In the context of the BabyLM Challenge, we focus on Variation Sets (VSs), sets of consecutive utterances expressing a similar intent with slightly different words and structures, which are ubiquitous in CDS. To assess the impact of VSs on training data efficiency, we augment CDS data with different proportions of artificial VSs and use these datasets to train an auto-regressive model, GPT-2. We find that the best proportion of VSs depends on the evaluation benchmark: BLiMP and GLUE scores benefit from the presence of VSs, but EWOK scores do not. Additionally, the results vary depending on multiple factors such as the number of epochs and the order of utterance presentation. Taken together, these findings suggest that VSs can have a beneficial influence on language models, while leaving room for further investigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google