Jenseits der Skalierung: Der Diversitätskoeffizient als Metrik für Datenqualität Zeigt, dass LLMs auf formal diversen Daten vortrainiert sind

Beyond Scale: the Diversity Coefficient as a Data Quality Metric Demonstrates LLMs are Pre-trained on Formally Diverse Data

June 24, 2023

Autoren: Alycia Lee, Brando Miranda, Sanmi Koyejo

cs.AI

Zusammenfassung

Aktuelle Trends beim Vortrainieren leistungsfähiger Large Language Models (LLMs) konzentrieren sich hauptsächlich auf die Skalierung von Modell- und Datensatzgrößen. Die Qualität der Vortrainingsdaten ist jedoch ein wichtiger Faktor für das Training leistungsstarker LLMs, bleibt aber ein nebulöses Konzept, das noch nicht vollständig charakterisiert wurde. Daher verwenden wir den kürzlich vorgeschlagenen Task2Vec-Diversitätskoeffizienten, um formale Aspekte der Datenqualität zu verstehen und zu fundieren, um über die reine Skalierung hinauszugehen. Insbesondere messen wir den Diversitätskoeffizienten öffentlich verfügbarer Vortrainingsdatensätze, um zu zeigen, dass deren formale Diversität im Vergleich zu theoretischen Unter- und Obergrenzen hoch ist. Zusätzlich führen wir Interpretierbarkeitsexperimente durch, um das Vertrauen in den Diversitätskoeffizienten zu stärken, und stellen fest, dass der Koeffizient mit intuitiven Eigenschaften der Diversität übereinstimmt, z. B. dass er mit der Anzahl latenter Konzepte zunimmt. Wir kommen zu dem Schluss, dass der Diversitätskoeffizient zuverlässig ist, zeigen, dass er für öffentlich verfügbare LLM-Datensätze hoch ist, und vermuten, dass er zur Erstellung nützlicher, diverser Datensätze für LLMs verwendet werden kann.

English

Current trends to pre-train capable Large Language Models (LLMs) mostly focus on scaling of model and dataset size. However, the quality of pre-training data is an important factor for training powerful LLMs, yet it is a nebulous concept that has not been fully characterized. Therefore, we use the recently proposed Task2Vec diversity coefficient to ground and understand formal aspects of data quality, to go beyond scale alone. Specifically, we measure the diversity coefficient of publicly available pre-training datasets to demonstrate that their formal diversity is high when compared to theoretical lower and upper bounds. In addition, to build confidence in the diversity coefficient, we conduct interpretability experiments and find that the coefficient aligns with intuitive properties of diversity, e.g., it increases as the number of latent concepts increases. We conclude the diversity coefficient is reliable, show it's high for publicly available LLM datasets, and conjecture it can be used to build useful diverse datasets for LLMs.