当前位置: 首页 > article >正文

LLM论文笔记 24: A Theory for Length Generalization in Learning to Reason

  • Arxiv日期:2024.7.29
  • 机构:University of Illinois Chicago

关键词

  • 长度泛化
  • 理论证明

核心结论

  • Theorem 3.1:因果函数的学习条件

    • 因果函数 f 是完全可学习的(输入空间有限、因果函数输入维度有限),即可以通过有限的训练数据准确地学习到目标函数

  • Corollary 3.1.1:数据覆盖不足的影响

    • 训练数据未覆盖输入空间 X 的所有可能值,模型可能无法正确预测未知输入上的因果关系

  • Corollary 3.1.2:输入空间无限的后果

    • 如果输入空间 X 或输入维度是无限的,无论训练数据集有多大,模型在未知输入上的误差总是可能任意大

  • Theorem 3.2:递归推理与长度泛化

    • 如果因果函数 f 被完全学习,推理问题可以表示为有向无环图(DAG),则通过递归地应用 f ,可以解决任意长度或规模的问题

    • 训练中仅见过小规模问题的模型可以泛化到更长的推理任务

  • Theorem 3.3:局部性条件与滑动窗口机制

    • 滑动窗口是解决长度泛化问题的充分条件

    • 如果推理问题的最大输入元素距离 R < ∞ ,并且训练数据包含所有长度为 4R+1 的子序列(可以通过滑动窗口(长度为 4R+1 )唯一确定下一步推理的输入)

  • Definition 3.3:well-defined 的因果输入恢复

    • 如果推理问题是 (n, r) -一致的,可以定义一个函数 \gamma ,通过 n 个长度为 r 的子序列唯一恢复当前推理步骤所需的因果输入

  • Theorem 3.5:从 R < ∞ (1, 4R+1) -一致性

    • 如果 R < ∞ 且每个输入元素最多参与一个推理步骤,则问题是 (1, 4R+1) -一致的

  • Theorem 3.6:因果输入的可恢复性

    • 如果问题是 (n, r) -一致的:

      • 可以通过 n 个长度为 r 的子序列恢复推理步骤中所有的因果输入。

      • 因果输入集合 S_{\hat{g}}(s_0) 是well-defined 的,并可以通过函数 \gamma 唯一确定。

  • Theorem 3.7: \gamma 的学习性

    • 如果问题是 (n, r) 一致的,函数 \gamma 可以通过有限训练数据学习。

主要方法

注:本系列不包括基础的知识点讲解,为笔记/大纲性质而非教程,用于论文知识点和思想和快速记忆和回顾,更多细节建议阅读论文原文


http://www.kler.cn/a/590334.html

相关文章:

  • QT非UI设计器生成界面的国际化
  • Java 买百鸡问题
  • Google内购 Java服务端(Springboot)校验订单详细流程
  • 日志存储与分析
  • [贪心算法] 摆动序列
  • Matlab 汽车ABS实现模糊pid和pid控制
  • JVM垃圾回收器全面解析:从核心概念到选型指南
  • Matlab 经验模态分解和时频图绘制
  • 结构型模式之外观模式:让复杂系统变简单的利器
  • golang中的结构体
  • FlowGram 简介:开源前端流程搭建引擎
  • iPaaS集成平台轻量化架构的重要性
  • 国际数字影像产业园,超甲级地标招商进行中​
  • 重生之我在学Vue--第17天 Vue 3 项目优化与部署
  • 本地部署github上资源可能出现问题总结
  • 以太坊AI代理与PoS升级点燃3月市场热情,2025年能否再创新高?
  • Chapter 4-11. Troubleshooting Congestion in Fibre Channel Fabrics
  • 【FLOYD+并查集】蓝桥杯算法提高 Degrees of Separation
  • Redis的IO多路复用机制:高效的网络通信设计
  • 聊一聊上线后出现Bug测试该如何处理?