Синтезируем шаг за шагом: Итеративный синтез наборов данных с использованием крупных языковых моделей путем экстраполяции ошибок небольших моделей

Let's Synthesize Step by Step: Iterative Dataset Synthesis with Large Language Models by Extrapolating Errors from Small Models

October 20, 2023

Авторы: Ruida Wang, Wangchunshu Zhou, Mrinmaya Sachan

cs.AI

Аннотация

*Синтез данных* представляет собой перспективный способ обучения небольшой модели с использованием минимального количества размеченных данных. Один из подходов к синтезу данных заключается в использовании богатых знаний крупных языковых моделей для создания псевдо-обучающих примеров для небольших моделей, что позволяет одновременно достичь эффективности как в использовании данных, так и в вычислительных ресурсах. Однако ключевой проблемой при синтезе данных является то, что синтезированный набор данных часто значительно отличается по распределению от распределения данных *реальной задачи*. В связи с этим в данной статье мы предлагаем *Синтез Шаг за Шагом* (**S3**), фреймворк для синтеза данных, который сокращает этот разрыв в распределении путем итеративного исправления ошибок, допущенных небольшой моделью, обученной на синтезированном наборе данных, с использованием небольшого реального валидационного набора данных и крупной языковой модели. Эксперименты на множестве задач обработки естественного языка показывают, что наш подход улучшает производительность небольшой модели, сокращая разрыв между синтезированным набором данных и реальными данными, что приводит к значительному улучшению по сравнению с несколькими базовыми методами: улучшение на 9,48% по сравнению с ZeroGen и на 2,73% по сравнению с GoldGen, а также максимальное улучшение на 15,17% по сравнению с небольшой моделью, обученной на данных, размеченных человеком.

English

*Data Synthesis* is a promising way to train a small model with very little labeled data. One approach for data synthesis is to leverage the rich knowledge from large language models to synthesize pseudo training examples for small models, making it possible to achieve both data and compute efficiency at the same time. However, a key challenge in data synthesis is that the synthesized dataset often suffers from a large distributional discrepancy from the *real task* data distribution. Thus, in this paper, we propose *Synthesis Step by Step* (**S3**), a data synthesis framework that shrinks this distribution gap by iteratively extrapolating the errors made by a small model trained on the synthesized dataset on a small real-world validation dataset using a large language model. Extensive experiments on multiple NLP tasks show that our approach improves the performance of a small model by reducing the gap between the synthetic dataset and the real data, resulting in significant improvement compared to several baselines: 9.48% improvement compared to ZeroGen and 2.73% compared to GoldGen, and at most 15.17% improvement compared to the small model trained on human-annotated data.