MiniPLM: プレトレーニング言語モデルのための知識蒸留

MiniPLM: Knowledge Distillation for Pre-Training Language Models

October 22, 2024

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

cs.AI

要旨

知識蒸留（KD）は、大規模な教師言語モデル（LMs）を使用して小さな高性能な学習者言語モデルを訓練するために広く使用されています。ファインチューニングでは効果的ですが、事前訓練中のKDは効率、柔軟性、効果の面で課題に直面しています。既存の手法は、オンライン教師推論による高い計算コストが発生したり、教師と学習者LM間のトークン化の一致が必要だったり、教師が生成したトレーニングデータの難易度と多様性を失うリスクがあります。これらの問題に対処するために、私たちはMiniPLMを提案します。これは、教師の知識を用いてトレーニングデータの分布を洗練することでLMsの事前訓練を行うKDフレームワークです。効率性のために、MiniPLMはオフライン教師LM推論を実行し、トレーニング時間のコストを追加せずに複数の学習者LMに対するKDを可能にします。柔軟性のために、MiniPLMはトレーニングコーパスのみで動作し、モデルファミリーを横断したKDを実現します。効果のために、MiniPLMは大規模なLMと小規模なLMの違いを活用して、トレーニングデータの難易度と多様性を高め、学習者LMが多目的で洗練された知識を獲得するのに役立ちます。包括的な実験により、MiniPLMが9つの広く使用される下流タスクで学習者LMのパフォーマンスを向上させ、言語モデリング能力を向上させ、事前訓練の計算を削減することが示されました。MiniPLMの利点は、スケーリング曲線の外挿によって大規模な事前訓練スケールにも及ぶことが証明されています。さらなる分析により、MiniPLMがモデルファミリーを横断したKDをサポートし、事前訓練データの利用を向上させることが明らかになりました。当社のモデル、コード、およびデータはhttps://github.com/thu-coai/MiniPLM で入手可能です。

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.