State-offset Tuning: State-gebaseerde Parameter-Efficiënte Fine-Tuning voor State Space Modellen

State-offset Tuning: State-based Parameter-Efficient Fine-Tuning for State Space Models

March 5, 2025

Auteurs: Wonjun Kang, Kevin Galim, Yuchen Zeng, Minjae Lee, Hyung Il Koo, Nam Ik Cho

cs.AI

Samenvatting

State Space Models (SSMs) zijn naar voren gekomen als efficiënte alternatieven voor Transformers, waardoor de kwadratische rekenkosten worden verminderd. Toch blijft de toepassing van Parameter-Efficient Fine-Tuning (PEFT) methoden op SSMs grotendeels onontgonnen. Met name prompt-gebaseerde methoden zoals Prompt Tuning en Prefix-Tuning, die veel worden gebruikt in Transformers, presteren niet goed op SSMs. Om dit aan te pakken, stellen we state-gebaseerde methoden voor als een superieur alternatief voor prompt-gebaseerde methoden. Deze nieuwe familie van methoden vloeit natuurlijk voort uit de architecturale kenmerken van SSMs. State-gebaseerde methoden passen state-gerelateerde kenmerken direct aan in plaats van te vertrouwen op externe prompts. Bovendien introduceren we een nieuwe state-gebaseerde PEFT-methode: State-offset Tuning. Bij elke tijdstap beïnvloedt onze methode direct de state van de huidige stap, wat leidt tot effectievere aanpassing. Door uitgebreide experimenten op diverse datasets tonen we de effectiviteit van onze methode aan. Code is beschikbaar op https://github.com/furiosa-ai/ssm-state-tuning.

English

State Space Models (SSMs) have emerged as efficient alternatives to Transformers, mitigating their quadratic computational cost. However, the application of Parameter-Efficient Fine-Tuning (PEFT) methods to SSMs remains largely unexplored. In particular, prompt-based methods like Prompt Tuning and Prefix-Tuning, which are widely used in Transformers, do not perform well on SSMs. To address this, we propose state-based methods as a superior alternative to prompt-based methods. This new family of methods naturally stems from the architectural characteristics of SSMs. State-based methods adjust state-related features directly instead of depending on external prompts. Furthermore, we introduce a novel state-based PEFT method: State-offset Tuning. At every timestep, our method directly affects the state at the current step, leading to more effective adaptation. Through extensive experiments across diverse datasets, we demonstrate the effectiveness of our method. Code is available at https://github.com/furiosa-ai/ssm-state-tuning.