ICML 2024 | 理解大模型仅靠统计泛化远远不够,剑桥联合ETH研究表明归纳...

发布网友发布时间：2024-09-15 03:30

共1个回答

热心网友时间：2024-10-13 07:01

在ICML 2024的最新研究中，来自剑桥大学、蒂宾根大学和苏黎世联邦理工学院的研究团队挑战了传统观点，他们指出理解大型语言模型（LLMs）如ChatGPT的行为不能仅依赖于统计泛化。论文“Position: Understanding LLMs Requires More Than Statistical Generalization”（arxiv.org/abs/2405.0196...，代码仓库：github.com/rpatrik96/ll...)强调了归纳偏置在解释LLMs特性上的关键作用，而非仅依赖于传统的机器学习理论。

研究者发现，自回归语言模型（AR）的不可识别性问题在大模型的训练中尤为显著。即使模型在海量数据训练下能在KL散度等指标上表现相似，但在涌现能力、上下文学习和微调迁移等关键特性上，它们的行为却可能大相径庭。为深入探究，研究者提出了“饱和状态”这一新概念，它超越了传统的插值状态，强调模型在训练和测试集上的全局性能，尤其关注其在异常分布和零样本学习中的表现。

未来的研究方向被建议聚焦于扩展模型的可识别性，特别是通过考虑归纳偏置作为影响模型性能的先验。作者呼吁大模型社区在理论框架上进行革新，不再受限于独立同分布的假设，而是重视这些模型在自然语言任务中的独特能力。总的来说，这篇论文标志着深度学习理论需要重新审视其基本假设，以更好地适应大模型时代的需求。