Beyond Scale: de Diversiteitscoëfficiënt als een Metriek voor Data Kwaliteit Toont aan dat LLM's zijn voorgetraind op formeel diverse data

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

June 24, 2023

Auteurs: Alycia Lee, Brando Miranda, Sanmi Koyejo

cs.AI

Samenvatting

Huidige trends voor het vooraf trainen van krachtige Large Language Models (LLM's) richten zich voornamelijk op het opschalen van model- en datasetgrootte. De kwaliteit van de vooraf getrainde data is echter een belangrijke factor voor het trainen van sterke LLM's, maar het is een vaag concept dat nog niet volledig is gekarakteriseerd. Daarom gebruiken we het recent voorgestelde Task2Vec-diversiteitscoëfficiënt om formele aspecten van data-kwaliteit te begrijpen en te verankeren, om verder te gaan dan alleen schaal. Specifiek meten we de diversiteitscoëfficiënt van publiek beschikbare vooraf getrainde datasets om aan te tonen dat hun formele diversiteit hoog is in vergelijking met theoretische onder- en bovengrenzen. Daarnaast voeren we interpreteerbaarheidsexperimenten uit om vertrouwen in de diversiteitscoëfficiënt op te bouwen, en we constateren dat de coëfficiënt overeenkomt met intuïtieve eigenschappen van diversiteit, zoals het toenemen naarmate het aantal latente concepten toeneemt. We concluderen dat de diversiteitscoëfficiënt betrouwbaar is, laten zien dat deze hoog is voor publiek beschikbare LLM-datasets, en vermoeden dat deze kan worden gebruikt om nuttige diverse datasets voor LLM's te bouwen.

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.