1. 基本信息

题目	论文作者与单位	来源	年份
Prefix-Tuning：Optimizing Continuous Prompts for Generation	Xiang Lisa Li等 Stanford University	Annual Meeting of the Association for Computational Linguistics	2021

Citations 1009, References

论文链接：https://aclanthology.org/2021.acl-long.353.pdf

论文代码：Code XiangLi1999/PrefixTuning +  additional community code

2. 要点

研究主题	问题背景	核心方法流程	亮点	数据集	结论	论文类型	关键字
语言大模型微调	大模型，针对一个任务一个大模型的问题。	冻结语言模型参数，优化一个小的连续特定的向量（称为prefifix）， Prefifix-tuning的启发于prompting, 使得这个Prefifix像是虚拟的字符。	对于每个任务只调试prefix并保存这些调试的参数就可以，区别于之前的全参微调。	E2E (Novikova et al., 2017), WebNLG (Gardent et al., 2017), and DART (Radev et al., 2020)， XSUM	以0.1% 的训练参数的训练结果与全参训练相当。	模型方法	prefifix-tuning

Prefix-tuning与Fine-tuning区别：

3. 模型(核心内容)

假设拥有一个适当的上下文可以在不改变LM参数的情况下引导LM。

不是优化离散标记，而是将指令优化为连续的单词嵌入。

以一些例子来说明这个模型：

对于一个自回归的LM:　**z = [PREFIX; **x; y]

对于encoder-encoder模型: **z **= [PREFIX; x; PREFIX0’; y]

Pidx表示前缀索引的序列；|Pids|表示前缀的数量。

关于隐变量的定义，LM表示为GPT2,P关于参数的矩阵，维度为：|Pidx| × dim(hi)：

这里的φ是固定的，θ是要训练的参数。

直接优化Pθ问题：直接优化前缀对学习速率和初始化非常敏感。

***Pθ与P’θ的行是相同的，但列不相同。训练完成后只有Pθ是保存的。

4. 实验与分析

4.1 数据集

E2E (Novikova et al., 2017): 一个领域，50K； WebNLG (Gardent et al., 2017)：14个领域, 22K；and DART (Radev et al., 2020)：开放领域

4.2 效果

只用0.1%的学习参数比tine-tune还要高。

少样本的情况：

Intrinsic（内在） Evaluation

prefix的长度分析

Full vs Embedding-only

实验结果：discrete prompting *< *embedding-only ablation *< *prefifix-tuning.

Prefifixing vs Infifixing

. [x; INFIX; y] 比[PREFIX; x; y]这种模式稍差。

Initialization（初始值实验）： 实验结果显示，用实验相关的词作为prefix会比用不相关的词性能会稍好。

5. 总结

有种做数学题采用辅助线的感觉，保留了原来的东西不变，加入一些内容，让问题更好解决。虽然本质不同，可是真的有点像的。

采用极少的参数去微调任务的适应性；

采用一种连接的方法去挖掘其中的知识，NLP新一代的训练范式已来，软件的新一代的开发模式已来，以后大模型是一种不可或缺的内容。

6. 参考文献

made by happyprince