goldfish loss：减少训练数据泄漏，提高大语言模型输出的多样性

文章预览

来源：DeephubI mba LLMs（大型语言模型）能够记忆并重复它们的训练数据，这可能会带来隐私和版权风险。为了减轻记忆现象，论文作者引入了一种名为"goldfish loss"的微妙修改，在训练过程中，随机抽样的一部分标记被排除在损失计算之外。这些被舍弃的标记不会被模型记忆，从而防止模型完整复制训练集中的一整个标记序列。 论文行了广泛的实验，训练了十亿规模的 Llama-2 模型，包括预训练模型和从头开始训练的模型，并展示出在几乎不影响下游基准测试的情况下，可显著减少记忆现象。 goldfish loss llm通常使用因果语言建模(CLM)目标进行训练，该目标表示令牌的平均对数概率，以所有先前的令牌为条件。对于包含L个训练标记的序列x = {xi}，可以写成: 当模型以高置信度正确预测序列{xi}时，该目标最小化，从而使由下一个标记预测训练的模型易于记 ………………………………