[104] GPT Understands, too

paper

TL;DR

• I read this because.. : 허깅페이스의 parameter efficient finetuning 레포의 article 보다가 읽음. p-tuning 많이 들어봤는데 읽어본적이 없었음
• task : language model finetuning(Knowledge probing, …)
• problem : LLM을 finetuning 할 때 파라미터가 너무 커서 few-shot 셋팅이나 many-shot setting이나 trasnfer 능력이 떨어진다. GPT-3 에다가 좋은 prompt를 넣으면 되는데 좋은 prompt를 찾는게 공수가 너무 크고, prompt에 따라 성능도 들쭉날쭉하다.
• idea : prompt를 discrete하게 찾지 말고 continuous 공간에서 찾자
• architecture : BERT / GPT 등 LLM에 template {pseudo-prompt $P_{0:i}$, $\mathbf{x}$, $P_{i+1:m}$, $\mathbf{e(y)}$ }를 넣고 각 psudo-prompt의 임베딩을 학습. 이때 prompt 임베딩이 서로 의존적으로 학습됐으면 해서 bi-LSTM 레이어를 넣어서 임베딩 강화.
• objective : MLM loss
• baseline : manual prompt, fiene-tuning, discrete prompt searching, manual prompt + finetuning
• data : LAMA, SuperGLUE
• evaluation : accuracy, F1, …
• result : gpt / bert based model에서 GLUE의 대부분의 태스크에서 더 나은 성능! (finetune도 이김)
• contribution : manual한 prompt search를 continuous 영역으로
• limitation / things I cannot understand : prompt CIL 이것도 좀 생각나는 것 같고.. MTL 환경에서 p-tuning 적용해보고 싶다는 생각이 드넹

Details

• $\mathcal{M}$ : pretrained LM

이렇게 학습시킬 때 두가지 문제가 있는데 1) 이미 pretrained LM $\mathcal{M}$의 임베딩 공간 $\mathbf{e}$가 discrete 해서 $h$가 random initialize 되면 small neighborhood 들의 파라미터만 수정되고 local minima에 빠지기 쉽다는 거고 2) prompt 토큰들끼리 dependent 하길 원한다는 점이다. 이를 해결하기 위해 lite한 네트워크 하나를 추가한다.

LSTM이 추가되긴 하지만 LM에 비하면 파라미터는 거의 없고 inference 단계에서는 lstm은 그냥 버리고 학습된 임베딩 h만 쓰면 된다.

Result

p-tuning은 language model의 파라미터는 freeze finetuning을 이기는게 신기하군요

후속연구

P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks 각 레이어마다 prompt token 넣는걸 기존 p-tuning에서 잘 못했던 hard sequence labeling tasks도 잘하는걸 보임 / 작은 모델에서도 동작하는걸 밝힘 https://arxiv.org/pdf/2110.07602.pdf