Van Woorden naar Cijfers: Je Grote Taalmodel Is Stiekem een Bekwame Regressiemodel Wanneer Het In-Context Voorbeelden Krijgt

From Words to Numbers: Your Large Language Model Is Secretly A Capable Regressor When Given In-Context Examples

April 11, 2024

Auteurs: Robert Vacareanu, Vlad-Andrei Negru, Vasile Suciu, Mihai Surdeanu

cs.AI

Samenvatting

We analyseren hoe goed vooraf getrainde grote taalmodellen (bijv. Llama2, GPT-4, Claude 3, etc.) lineaire en niet-lineaire regressie kunnen uitvoeren wanneer ze in-context voorbeelden krijgen, zonder aanvullende training of gradient-updates. Onze bevindingen laten zien dat verschillende grote taalmodellen (bijv. GPT-4, Claude 3) in staat zijn om regressietaken uit te voeren met een prestatie die rivaliseert met (of zelfs overtreft) die van traditionele supervised methoden zoals Random Forest, Bagging of Gradient Boosting. Op de uitdagende Friedman #2-regressiedataset presteert Claude 3 bijvoorbeeld beter dan veel supervised methoden zoals AdaBoost, SVM, Random Forest, KNN of Gradient Boosting. Vervolgens onderzoeken we hoe goed de prestaties van grote taalmodellen schalen met het aantal in-context voorbeelden. We lenen het begrip 'regret' uit online leren en tonen empirisch aan dat LLM's in staat zijn om een sub-lineair regret te behalen.

English

We analyze how well pre-trained large language models (e.g., Llama2, GPT-4, Claude 3, etc) can do linear and non-linear regression when given in-context examples, without any additional training or gradient updates. Our findings reveal that several large language models (e.g., GPT-4, Claude 3) are able to perform regression tasks with a performance rivaling (or even outperforming) that of traditional supervised methods such as Random Forest, Bagging, or Gradient Boosting. For example, on the challenging Friedman #2 regression dataset, Claude 3 outperforms many supervised methods such as AdaBoost, SVM, Random Forest, KNN, or Gradient Boosting. We then investigate how well the performance of large language models scales with the number of in-context exemplars. We borrow from the notion of regret from online learning and empirically show that LLMs are capable of obtaining a sub-linear regret.