Effizientes Parameter-Sharing in Transformern: Rekursive Architekturen für Große Sprachmodelle

Große Sprachmodelle (LLMs) haben die Welt der Künstlichen Intelligenz revolutioniert, doch ihre Größe und die damit verbundenen Kosten für Training und Deployment stellen eine erhebliche Hürde dar. Effizientes Parameter-Sharing bietet einen vielversprechenden Ansatz zur Reduzierung dieser Kosten. Dieser Artikel beleuchtet die neuesten Entwicklungen im Bereich rekursiver Transformer-Architekturen, die Parameter über verschiedene Schichten hinweg teilen und so die Modellgröße signifikant verringern, ohne dabei die Performance wesentlich zu beeinträchtigen. Ein traditioneller Transformer besteht aus mehreren Schichten, die jeweils eindeutige Parameter besitzen. Rekursive Transformer hingegen verwenden nur einen einzigen Satz von Schichten, der mehrmals wiederholt wird. Diese Wiederholung ermöglicht eine drastische Reduzierung der Parameteranzahl und somit geringere Speicheranforderungen und schnellere Berechnungszeiten. Die Initialisierung dieser rekursiven Modelle erfolgt effizient durch die Übernahme der Gewichte von vortrainierten Standard-Transformern. Ein wichtiger Aspekt bei rekursiven Transformern ist die Balance zwischen Parameter-Sharing und Flexibilität. Während das Teilen von Parametern die Effizienz steigert, kann es auch die Anpassungsfähigkeit des Modells an verschiedene Aufgaben einschränken. Um diesem Problem zu begegnen, wurden sogenannte "Relaxed Recursive Transformers" entwickelt. Diese nutzen Low-Rank Adaptation (LoRA) Module, die schichtweise angewendet werden. LoRA fügt den geteilten Parametern geringe, rangreduzierte Anpassungen hinzu und ermöglicht so eine höhere Flexibilität bei gleichzeitiger Beibehaltung der kompakten Modellstruktur. Studien zeigen, dass rekursive Modelle, wie beispielsweise das rekursive Gemma 1B, vergleichbare oder sogar bessere Performance als ähnlich große, herkömmlich trainierte Modelle wie TinyLlama 1.1B und Pythia 1B erzielen. Darüber hinaus können sie einen Großteil der Leistung des ursprünglichen "Full-Size"-Modells (z.B. Gemma 2B ohne Parameter-Sharing) wiederherstellen und übertreffen dabei auch Modelle, die mit Knowledge Distillation trainiert wurden. Ein weiterer Vorteil rekursiver Transformer liegt in der Möglichkeit der "Continuous Depth-wise Batching" Inferenz. In Kombination mit Early Exiting, einem Verfahren, bei dem die Inferenz vorzeitig abgebrochen wird, sobald ein bestimmtes Konfidenzniveau erreicht ist, kann diese Methode den Inferenzdurchsatz theoretisch um das 2- bis 3-fache steigern. Dies eröffnet neue Möglichkeiten für den Einsatz von LLMs in ressourcenbeschränkten Umgebungen. Die Entwicklung rekursiver Transformer-Architekturen stellt einen wichtigen Schritt in Richtung effizienterer und kostengünstigerer LLMs dar. Durch die Kombination von Parameter-Sharing mit innovativen Techniken wie LoRA und Continuous Depth-wise Batching wird die Performance großer Sprachmodelle bei gleichzeitig reduziertem Ressourcenbedarf optimiert. Diese Fortschritte ebnen den Weg für eine breitere Anwendung von LLMs in verschiedenen Bereichen und ermöglichen den Zugang zu dieser leistungsstarken Technologie für ein größeres Publikum. Bibliographie - Bae, S., Fisch, A., Harutyunyan, H., Ji, Z., Kim, S., & Schuster, T. (2024). Relaxed Recursive Transformers: Effective Parameter Sharing with Layer-wise LoRA. arXiv preprint arXiv:2410.20672. - https://openreview.net/forum?id=WwpYSOkkCt - https://openreview.net/pdf/27e5d2c7f7a31a6f1558926d38e1b9677bbab3cb.pdf - https://paperreading.club/page?id=262659 - https://arxiv.org/pdf/2405.15179 - https://eccv2024.ecva.net/virtual/2024/papers.html - https://icml.cc/virtual/2024/papers.html - https://iclr.cc/virtual/2024/papers.html - https://aman.ai/papers/ - https://escholarship.org/content/qt6bc584tn/qt6bc584tn.pdf?t=sd43rh