中科大联合华为诺亚提出，揭秘大模型性能数据压缩率以及训练损失关系

本工作由中科大认知智能全国重点实验室IEEEFellow陈恩红团队与华为诺亚方舟实验室完成。陈恩红教授团队深耕数据挖掘、机器学习领域，在顶级期刊与会议上发表多篇论文，谷歌学术论文引用超两万次。诺亚方舟实验室是华为公司从事人工智能基础研究的实验室，秉持理论研究与应用创新并重的理念，致力于推动人工智能领域的技术创新和发展。

数据是大语言模型（LLMs）成功的基石，但并非所有数据都有益于模型学习。直觉上，高质量的样本在教授LLM上预期会有更好的效率。因此，现有方法通常专注于基于质量的数据选择。然而，这些方法中的大多数独立地评估不同的数据样本，忽略了样本之间复杂的组合效应。如图1所示，即使每个样本质量完美，由于它们的互信息冗余或不一致性，它们的组合可能仍然次优。尽管基于质量的子集由所有三个优质样本组成，但它们编码的知识实际上是冗余和冲突的。相比之下，另一个由几个相对较低质量但多样化的样本组成的数据子集在教授LLM方面可能传达更多信息。因此，基于质量的数据选择并未完全符合最大化LLM知识掌握的目标。

而本文旨在揭示LLM性能与数据选择之间的内在关系。受LLM信息压缩本质的启发，我们发现了一条entropylaw，它将LLM性能与数据压缩率和前几步模型训练的损失加以联系，分别反映了数据集的信息冗余程度和LLM对数据集中固有知识的掌握程度。通过理论推导和实证评估，我们发现模型性能与训练数据的压缩率呈负相关，而这通常会产生较低的训练损失。基于entropylaw的发现，我们提出了一种非常高效且通用的数据选择方法用于训练LLM，名为ZIP，其旨在优先选择低压缩率的数据子集。ZIP分多阶段、贪心地选择多样化的数据，最终获得一个具有良好多样性的数据子集。

团队：中科大认知智能全国重点实验室陈恩红团队，华为诺亚方舟实验室

论文链接:https://arxiv.org/pdf/2407.06645

代码链接:https://github.com/USTC-StarTeam/ZIP

图1

Entropylaw

我们对数据压缩与LLM性能之间的关系进行理论分析。直觉上，训练数据的正确性和多样性会影响最终模型的性能。同时，如果数据存在严重的内在冲突或模型对数据编码的信息掌握不佳，LLM的性能可能会次优。基于这些假设，我们将LLM的性能表示为Z，其预期会受到以下因素的影响：

数据压缩率R：直觉上，压缩率越低的数据集表明信息密度越高。

训练损失L：表示数据对模型来说是否难以记忆。在相同的基础模型下，高训练损失通常是由于数据集中存在噪声或不一致的信息。

数据一致性C：数据的一致性通过给定前文情况下下一个token的概率的熵来反映。更高的数据一致性通常会带来更低的训练损失。

平均数据质量Q：反映了数据的平均样本级质量，可以通过各种客观和主观方面来衡量。

基于Entropylaw，我们提出两个推论：

如果将C视为常数，训练损失直接受压缩率影响。因此，模型性能由压缩率控制：如果数据压缩率R较高，那么Z通常较差，这将在我们的实验中得到验证。

在相同的压缩率下，较高训练损失意味着较低的数据一致性。因此，模型学到的有效知识可能更有限。这可以用来预测LLM在具有相似压缩率和样本质量的不同数据上的性能。我们将在后续展示这一推论在实践中的应用。

ZIP：高度轻量化的数据选择算法

在entropylaw的指导下，我们提出了ZIP这一数据选择方法，通过数据压缩率来选择数据样本，旨在在有限的训练数据预算下最大化有效信息量。出于效率考量，我们采用了一种迭代多阶段贪心范式，以高效地获得具有相对低压缩率的近似解。在每轮迭代中，我们首先使用全局选择阶段来选择一组具有低压缩率的候选样本池，找到信息密度高的样本。然后，我们采用粗粒度的局部选择阶段，选择一组与已选样本冗余度最低的较小样本集。最后，我们使用细粒度的局部选择阶段，最小化要添加样本之间的相似性。上述过程持续进行直到获得足够的数据，具体算法如下：

实验结果

1.ZIP选择算法对于不同LLM、在不同LLM对齐阶段的有效性

对比不同的SFT数据选择算法，中科大联合华为诺亚提出，揭秘大模型性能数据压缩率以及训练损失关系基于ZIP选择数据所训练得到的模型性能上展现出优势，并且在效率上也占优。具体结果见下表：

得益于ZIP的模型无关、内容无感知的特性，其同样也可应用于偏好对齐阶段的数据选择。而ZIP所选择的数据同样展现出了较大的优势。具体结果见下表：

2.Entropylaw的实验验证

基于SFT数据选择实验，我们基于模型效果、数据压缩率以及模型在前几步训练的损失，分别拟合了多条关系曲线。结果见图2以及图3，我们从图中可以观察到三个因素之间的紧密关联。首先，低压缩率数据通常会带来更好的模型效果，这是因为LLMs的学习过程与信息压缩高度相关，我们可以将LLM视为数据压缩器，那么压缩率较低的数据意味着更多的知识量，从而对压缩器更有价值。同时，可以观察到较低的压缩率通常伴随着更高的训练损失，这是因为难以压缩的数据携带了更多的知识，对LLM吸收其中蕴含的知识提出了更大的挑战。

图2Mistral-7B

图3Llama-3-8B

3.Entropylaw的实际应用

我们提供了一个entropylaw在真实场景中指导LLM训练数据增量更新的应用。在该任务场景中，训练数据量保持相对稳定，只有一小部分数据会被修改。结果见图4，其中

到

是逐渐增量更新的5个数据版本，出于保密要求，仅提供不同压缩率下模型效果的相对关系。根据entropylaw预测，假设每次增量更新后数据质量没有显著下降，可以预期随着数据压缩率的降低，模型性能会有所提升。这一预测与图中数据版本

的结果一致。然而，数据版本

显示出损失和数据压缩率的异常增加，这预示了由于训练数据一致性下降导致的模型性能下降的潜在可能。这一预测通过随后的模型性能评估进一步得到证实。因此，entropylaw可以作为LLM训练的指导原则，无需在完整数据集上训练模型直到收敛，便可预测LLM训练失败的潜在风险。鉴于训练LLM的高昂成本，这一点尤其重要。

图4

Tags： 中科大联合华为诺亚提出揭秘大模型性能数据压缩率以及训练损失关系

版权声明： 感谢您对【奚诗百科网】网站平台的认可，无特别说明，本站所有文章均归【奚诗百科网】平台所有，转载请说明文章出处“来源【奚诗百科网】”。 https://sptgyg.com/post/9259.html