Тюнинг со смещением состояний: параметрически эффективная тонкая настройка на основе состояний для моделей пространства состояний

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

March 5, 2025

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

cs.AI

Аннотация

Модели пространства состояний (SSM) стали эффективной альтернативой трансформерам, устраняя их квадратичные вычислительные затраты. Однако применение методов параметрически-эффективной тонкой настройки (PEFT) к SSM остается малоизученным. В частности, методы на основе промптов, такие как Prompt Tuning и Prefix-Tuning, которые широко используются в трансформерах, показывают низкую эффективность на SSM. Для решения этой проблемы мы предлагаем методы на основе состояний как более эффективную альтернативу методам на основе промптов. Это новое семейство методов естественным образом вытекает из архитектурных особенностей SSM. Методы на основе состояний напрямую корректируют характеристики, связанные с состоянием, вместо того чтобы полагаться на внешние промпты. Кроме того, мы представляем новый метод PEFT на основе состояний: State-offset Tuning. На каждом временном шаге наш метод напрямую влияет на состояние на текущем шаге, что приводит к более эффективной адаптации. В ходе обширных экспериментов на различных наборах данных мы демонстрируем эффективность нашего метода. Код доступен по адресу 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.