LLM2LLM: Boosting LLMs with Novel Iterative Data Enhancement
关键字：LLM 、Data Augmentation 、Fine-tuning 、NLP 、Low-data Regime
摘要
预训练的大型语言模型（LLMs）目前是解决绝大多数自然语言处理任务的最新技术。尽管许多实际应用仍然需要微调以达到令人满意的性能水平，但许多应用处于低数据量状态，这使得微调变得具有挑战性。为了解决这个问题，我们提出了LLM2LLM，这是一种针对性和迭代式的数据增强策略，它使用教师LLM通过增加可用于特定任务微调的数据来增强小型种子数据集。LLM2LLM (1) 在初始种子数据上微调基线学生LLM，(2) 评估并提取模型出错的数据点，并 (3) 使用教师LLM基于这些错误数据点生成合成数据，然后将这些数据点重新添加到训练数据中。这种方法在训练期间通过LLM放大了错误预测数据点的信号，并将它们重新整合到数据集中，以便专注于LLM更具挑战性的例子。我们的结果表明，LLM2LLM显著提高了LLM在低数据量状态下的性能，超越了传统的微调和其他数据增强基线。LLM2LLM减少了对劳动密集型数据策划的依赖，为更可扩展和高性能的LLM解决方案铺平了道路，使我们能够处理数据受限的领域和任务。我们在低数据量状态下使用LLaMA2-7B学生模型，在GSM8K数据集上实现了高达24.2%的改进，在CaseHOLD上为32.6%，在SNIPS上为32.0%，在TREC上为52.6%，在SST-2上为39.8%，相比于常规微调。
核心方法
LLM2LLM的核心方法包括以下几个步骤：
- 微调学生模型：在初始种子数据上微调基线学生LLM。
- 评估和提取错误数据：评估学生模型在训练数据上的表现，并提取模型回答错误的数据点。
- 生成合成数据：使用教师LLM基于错误数据点生成新的合成数据，这些数据点在语义上与原始数据点相似但在表述上有所不同。
- 迭代数据增强：将生成的合成数据添加回训练集中，并在新的数据集上重复微调过程，以进一步提高模型性能。
实验说明
实验结果展示了LLM2LLM在不同数据集上的测试准确率提升情况。数据集包括GSM8K、CaseHOLD、SNIPS、TREC和SST-2，涵盖了从0.02%到50%的不同种子数据比例。实验中，我们使用了LLaMA2-7B作为学生模型，并以GPT-3.5作为教师模型。实验结果表明，LLM2LLM在低数据量状态下显著提高了模型性能，尤其是在数据量较少的情况下。
| 数据集 | 基线微调准确率 | LLM2LLM准确率 |
|---|---|---|
| GSM8K | 0.00% | 19.56% - 38.67% |
| CaseHOLD | 12.28% | 66.50% - 88.14% |
| SNIPS | 11.86% | 92.14% |
| TREC | 11.20% | 78.80% - 90.20% |
| SST-21 | 27.06% | 92.66% - 94.04% |
结论
我们介绍了LLM2LLM，这是一种自适应和迭代的基于LLM的数据增强框架，使用LLM来扩展较小的微调数据集，而不是手动生成更多数据。这种方法由于其迭代和针对性的本质而有效，它允许我们从LLM出错的数据点中增强信号。因此，我们能够在使用LLaMA-2-7B学生模型的低数据量状态下，在GSM8K、CaseHOLD、SNIPS、TREC和SST-2数据集上实现了显著的性能提升。未来的工作可以集中在调整我们框架的超参数上，以及将我们的方法与其他LLM技术（如提示调整和少样本学习）结合起来。