MIT:神经扩展定律的量化模型

593次阅读
没有评论

MIT:神经扩展定律的量化模型

本文提出神经扩展定律的量化模型,既解释了损失函数随着模型和数据大小的下降遵循的幂律规律,也解释了随着规模的增大新能力的突然出现。作者从量化假设中推导出这个模型,认为学习网络能力被量化为离散的单位(量子)。表明当量子按照使用频率递减的顺序学习时,使用频率的幂律可以解释损失函数的幂律缩放。本文在玩具数据集上验证了这个预测,然后研究了大型语言模型的缩放曲线如何分解。通过语言模型的内部,本文自动发现了不同的模型能力(量子),并找到了初步的证据表明在自然文本预测的相关子问题上的分布与理论预测的神经缩放指数所预测的幂律相符。

标题:The Quantization Model of Neural Scaling

作者:Eric J. Michaud, Ziming Liu, Uzay Girit, Max Tegmark

论文:

https://papers.labml.ai/api/v1/redirect/pdf?paper_key=9fd16bb8c9de11edb95839eec3084ddd

MIT:神经扩展定律的量化模型

MIT:神经扩展定律的量化模型

 

Read More 

正文完
可以使用微信扫码关注公众号(ID:xzluomor)
post-qrcode
 
评论(没有评论)
Generated by Feedzy