Large Language Models Struggle to Learn Long-Tail Knowledge

要約

インターネットには、歴史上の人物の誕生日からコーディング方法のチュートリアルに至るまで、豊富な知識が含まれており、それらはすべて言語モデルによって学習できます。
ただし、特定の情報はウェブ上で遍在していますが、その他の情報は非常にまれにしか表示されません。
この論文では、大規模な言語モデルによって記憶された知識と、Web から収集された事前トレーニング データセット内の情報との関係を研究します。
特に、事実に基づく質問に答える言語モデルの能力は、事前トレーニング中にその質問に関連するドキュメントが何件閲覧されたかに関係していることを示します。
これらの関連ドキュメントは、事前トレーニング データセットをリンクするエンティティと、特定の質問と回答のペアと同じエンティティを含むドキュメントをカウントすることによって識別されます。
私たちの結果は、多数の質問応答データセット (例: TriviaQA)、事前トレーニング コーパス (例: ROOTS)、およびモデル サイズ (例: 176B パラメーター) の精度と関連文書数の間に強い相関関係と因果関係があることを示しています。
さらに、大規模なモデルはロングテール知識の学習に優れていますが、事前トレーニング データでのサポートがほとんどない質問に対して競争力のある QA パフォーマンスを達成するには、今日のモデルを何桁もスケールする必要があると推定しています。
最後に、検索拡張によって関連する事前トレーニング情報への依存を軽減できることを示し、ロングテールを捕捉するための有望なアプローチを提示します。

要約(オリジナル)

The Internet contains a wealth of knowledge — from the birthdays of historical figures to tutorials on how to code — all of which may be learned by language models. However, while certain pieces of information are ubiquitous on the web, others appear extremely rarely. In this paper, we study the relationship between the knowledge memorized by large language models and the information in pre-training datasets scraped from the web. In particular, we show that a language model’s ability to answer a fact-based question relates to how many documents associated with that question were seen during pre-training. We identify these relevant documents by entity linking pre-training datasets and counting documents that contain the same entities as a given question-answer pair. Our results demonstrate strong correlational and causal relationships between accuracy and relevant document count for numerous question answering datasets (e.g., TriviaQA), pre-training corpora (e.g., ROOTS), and model sizes (e.g., 176B parameters). Moreover, while larger models are better at learning long-tail knowledge, we estimate that today’s models must be scaled by many orders of magnitude to reach competitive QA performance on questions with little support in the pre-training data. Finally, we show that retrieval-augmentation can reduce the dependence on relevant pre-training information, presenting a promising approach for capturing the long-tail.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google