MiniPLM: Kennisdestillatie voor het vooraf trainen van taalmodellen

MiniPLM: Knowledge Distillation for Pre-Training Language Models

October 22, 2024

Auteurs: Yuxian Gu, Hao Zhou, Fandong Meng, Jie Zhou, Minlie Huang

cs.AI

Samenvatting

Kennisdistillatie (KD) wordt veel gebruikt om kleine, hoog presterende student-taalmodellen (LM's) te trainen met behulp van grote docent-LM's. Hoewel effectief bij fine-tuning, staat KD tijdens pre-training voor uitdagingen op het gebied van efficiëntie, flexibiliteit en effectiviteit. Bestaande methoden brengen hoge computationele kosten met zich mee door online docentinferentie, vereisen tokenisatie-matching tussen docent- en student-LM's, of lopen het risico om de moeilijkheid en diversiteit van de door de docent gegenereerde trainingsgegevens te verliezen. Om deze problemen aan te pakken, stellen we MiniPLM voor, een KD-framework voor het vooraf trainen van LM's door de trainingsgegevensverdeling te verfijnen met de kennis van de docent. Voor efficiëntie voert MiniPLM offline docentinferentie uit, waardoor KD voor meerdere student-LM's mogelijk is zonder extra trainingskosten. Voor flexibiliteit werkt MiniPLM uitsluitend op het trainingscorpus, waardoor KD mogelijk is tussen modelfamilies. Voor effectiviteit benut MiniPLM de verschillen tussen grote en kleine LM's om de moeilijkheid en diversiteit van de trainingsgegevens te verbeteren, waardoor student-LM's veelzijdige en geavanceerde kennis kunnen verwerven. Uitgebreide experimenten tonen aan dat MiniPLM de prestaties van student-LM's op 9 veelgebruikte downstreamtaken verbetert, de taalmodelleringsmogelijkheden verbetert en de berekening van vooraf training vermindert. Het voordeel van MiniPLM strekt zich uit tot grote vooraf trainingsschalen, zoals blijkt uit de extrapoleerbaarheid van de schaalcurven. Verder onderzoek onthult dat MiniPLM KD tussen modelfamilies ondersteunt en het gebruik van vooraf training gegevens verbetert. Ons model, code en gegevens zijn beschikbaar op https://github.com/thu-coai/MiniPLM.

English

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.