跳到正文
返回论文列表
cs.LG提交于 已译

PIVOT:基于困惑度的知识蒸馏-强化学习切换调度用于垂直领域少样本蒸馏

PIVOT: Perplexity-Informed KD-to-RL Transition Scheduling for Vertical-Domain Few-Shot Distillation

Heng Li · Yong Zhang · Ning Cheng · Zhigen Li · Yun Zhu · Yanmeng Wang · et al.

中文摘要

垂直领域少样本分类在小规模语言模型上仍然具有挑战性,有限的监督使得模型难以获取领域特定的决策知识。在策略蒸馏(On-Policy Distillation, OPD)通过监督学生生成的轨迹来改进教师引导的适应性,而基于 GRPO 的强化学习可进一步优化下游预测。然而,现有的知识蒸馏-强化学习(KD-to-RL)流水线通常依赖全局固定的切换调度,忽略了不同样本在进入奖励驱动的精炼阶段之前所需教师引导习得的量可能不同。提出 PIVOT(Perplexity-Informed Transition Optimization,基于困惑度的切换优化),一个根据序列困惑度(由教师评估)在 OPD 与 GRPO 之间动态路由样本的框架。PIVOT 将低困惑度样本转入 GRPO 进行奖励驱动的精炼,同时让高困惑度样本继续留在 OPD 中以持续获取领域知识。在 Banking77 和 HWU64 上的实验表明,在相同的预热后学生优化步数下,PIVOT 持续优于继续使用 OPD 以及全局同步的 OPD→GRPO 基线,取得了更强的下游性能和更稳定的训练动态。

关键要点

  1. 01问题:现有 KD-to-RL 流水线对所有样本使用全局固定的切换调度,忽略样本间对教师引导习得量的差异需求。
  2. 02方法:PIVOT 依据教师评估的序列困惑度在 OPD 与 GRPO 之间动态路由样本,低困惑度进入 GRPO 强化学习,高困惑度留在 OPD 持续学习。
  3. 03实验:在 Banking77 和 HWU64 两个垂直领域少样本分类基准上,PIVOT 在相同预热后优化步数下持续优于继续 OPD 与全局同步 OPD→GRPO 基线。
  4. 04结果:取得更强的下游分类性能,并呈现更稳定的训练动态。
  5. 05适用场景:面向小语言模型在垂直领域少样本场景下的领域适配与下游任务精炼。

解读

尚无解读。

原始英文摘要

arXiv:2610.11167v1 Announce Type: new Abstract: Vertical-domain few-shot classification remains challenging for small language models, as limited supervision makes it difficult to acquire domain-specific decision knowledge. On-Policy Distillation (OPD) can improve teacher-guided adaptation by supervising student-generated rollouts, while GRPO-based reinforcement learning can further refine downstream predictions. However, existing KD-to-RL pipelines typically rely on globally fixed transition schedules, ignoring that different samples may require different amounts of teacher-guided acquisition before reward-driven refinement. We propose PIVOT (Perplexity-Informed Transition Optimization), a dynamic transition framework that routes samples between OPD and GRPO according to teacher-evaluated sequence perplexity. PIVOT moves low-perplexity samples to GRPO for reward-driven refinement while keeping high-perplexity samples under OPD for continued domain knowledge acquisition. Experiments on Banking77 and HWU64 show that PIVOT consistently outperforms continued OPD and globally synchronized OPD$\rightarrow$GRPO baselines under the same number of post-warm-up student optimization steps, achieving stronger downstream performance and more stable training dynamics.

同方向论文 · cs.LG

查看全部 →

反向发现 · 这篇论文相关的工具与提示词

去交叉发现 →

关联提示词 · 1

数据blog.csdn.net·外部收录·

根据表结构和自然语言查询需求,让模型生成包含过滤、排序、分组、聚合等条件的 SQL 查询语句。

请根据以下信息生成 SQL 查询: 1. 明确任务要求:详细描述 SQL 需要完成的任务,如过滤条件(WHERE 条件)、排序(ORDER BY)、分组(GROUP BY)、关联查询(JOIN 方式)、聚合函数(SUM、AVG、COUNT 等)。例如:"查询 2024 年 1 月份所有订单的总金额,并按客户分组。" 2. 数据库背景信息:说明数据库类型及业务背景。 3. 表结构(Schema):提供相关表的字段名、类型和含义。 4. 查询需求:用自然语言描述要查询的数…