[20230618] Weekly AI ArXiv 만담 시즌2 - 20회차

[jungwoo-ha]

News

• Conferences
  • CVPR 2023
    • 일시/장소: 6. 18 - 22, Vancouver convention center
    • Main and Expo: 20 - 22, Workshop and Tutorial: 18-19
    • 국내 부스: LG, 현대차 등 (네이버 논문 8개 포스터 방문 많이 해주세요)
  • EMNLP 2023
    • Abs & Full: 16일, 23일 (AoE)
  • EU AI 법안과 CRFM의 LLM 조건 만족도 평가

ArXiv

• InstructZero: Efficient Instruction Optimization for Black-Box Large Language Models

  • U of Maryland 에서 나온 Open-source small LLM과 Big tech black box LLM을 함께 활용하는 방법
  • sLLM은 soft prompt (보통 벡터형태) 와 사용자 입력을 black box LLM에 입력하기 위한 instruct로 변환
  • 변환된 instruct + 사용자 예시가 black box LLM으로 들어가면 결과와 스코어 기반으로 bayesian optimization 해서 다시 soft prompt 업데이트
  • 코드는 여기: https://github.com/Lichang-Chen/InstructZero
  • 프로젝트 페이지는 여기: https://lichang-chen.github.io/InstructZero/

• Knowledge Distillation of Large Language Models

  • CoAI group, 칭화대, MSR 에서 나온 연구
  • Reverse KLD를 활용한 Whitebox 시나리오 기반의 LLM --> sLLM, 기존 Foward KLD 기반 KD보다 안정적
  • Foward KLD가 teacher가 뱉는 걸 student가 외운다 느낌이면 Reverse KLD KD는 student가 더 잘 생성하도록 teacher를 통해 가이드한다 느낌.
  • 코드는 https://github.com/microsoft/LMOps/tree/main/minillm

[veritas9872]

News

AMD에서 AI Accelerator GPU 시장에 진출하기 위해 최근 노력이 활발해지고 있습니다.

Announcement: https://www.amd.com/en/newsroom/press-releases/2023-6-13-amd-expands-leadership-data-center-portfolio-with-.html HuggingFace Blogpost: https://huggingface.co/blog/huggingface-and-amd

현재 NVIDIA CUDA의 독점 체제에서 AMD가 가장 유사한 시장 위치에 있으나 CUDA 등 여러 장벽에 의해 영향을 가지지 못했습니다. 그러나 PyTorch에서도 AMD의 ROCm backend를 지원하며 이번에 HuggingFace에서도 AMD를 도입하기 위해 적극적으로 노력하고 있어 Python frontend를 사용하는 대다수의 유저는 곧 코드를 그대로 사용하면서 AMD를 사용할 수 있는 방향으로 움직임이 있습니다.

Artificial Artificial Artificial Intelligence: Crowd Workers Widely Use Large Language Models for Text Production Tasks

ArXiv: https://arxiv.org/abs/2306.07899 GitHub: https://github.com/epfl-dlab/GPTurk

[veritas9872]

Research

Tree-Ring Watermarks: Fingerprints for Diffusion Images that are Invisible and Robust

ArXiv: https://arxiv.org/abs/2305.20030 GitHub: https://github.com/YuxinWenRick/tree-ring-watermark

DDIM 기반의 Diffusion Model에서 결과물을 해치지 않으면서 robust한 watermark를 심는 방버이 제안되었습니다. 해당 방법은 최초 latent space의 noise에서 Fourier space에서 concentric ring을 tree-ring pattern으로 생성하는 방법을 활용하는데 Fourier Transform의 성질에 의해 rotation, noise injection, cropping 등 다양한 image space perterbation에 대해 강건하면서 최종 결과물의 현실감을 해치지 않는 방법입니다. Diffusion process를 실행해야 하기 때문에 기존 모델을 소유해야지만 확인이 가능하지만 Diffusion Model 기반의 서비스를 하시는 많은 분들께 도움이 될 것 같습니다.

[nick-jhlee]

News

• Evidence for the use of quantum computing before fault tolerance
  • demonstrated for the first time that quantum computers with 100+ qubits can produce accurate results - and reach beyond leading classical approaches
  • new error mitigation!

Papers

• Simplicity Bias Leads to Amplified Performance Disparities (FAccT 2023)

  • 배경: SGD has simplicity bias (bias towards a simple solution, i.e., prioritize learning majority class)
  • How to quantify this? difficulty disparity, difficulty amplification factor
  • This is model-specific! (even with a balanced dataset)
  • Conclusion: we should use a model-specific fairness audit (post-training audit)

• "Controversial" paper: Exploring the MIT Mathematics and EECS Curriculum Using Large Language Models (MIT, Boston University)

  • GPT4가 MIT EECS를 100% 맞는다........?
  • https://flower-nutria-41d.notion.site/No-GPT4-can-t-ace-MIT-b27e6796ab5a48368127a98216c76864
  • TL;DR:
    • Evaluation: The authors' evaluation uses GPT 4 to score itself and repeatedly prompts until the correct answer is reached.
    • Dataset leakage: Significant leakage and duplication in the prompts.
  • 아직 멀었는걸까요,, ㅎㅎ

• Recent papers in optimization theory:

• new optimizers

  • Sophia: A Scalable Stochastic Second-order Optimizer for Language Model Pre-training (arXiv 2023)

• parameter-free SGD! (no need to tune initial learning rate)

  • Making SGD Parameter-Free (COLT 2022)
  • Prodigy: An Expeditiously Adaptive Parameter-Free Learner (arXiv 2023)

• ...등등

• Explosion in NLP Theories!! (수학에 관심있으신 분들은 한번 ~~내년부터~~ 같이 해보시죠 ㅎㅎ)

  • 최적화 관점에서!
    • A Kernel-Based View of Language Model Fine-Tuning (ICML 2023)
  • ICL (in-context learning)의 작동원리
    • ex) Transformers as Statisticians: Provable In-Context Learning with In-Context Algorithm Selection (arXiv 2023)
  • Prompt tuning의 작동원리
    • ex) On the Role of Attention in Prompt-tuning (ICML 2023)
  • Transformer의 작동원리
    • ex) Transformers learn through gradual rank increase (arXiv 2023)
    • ex)Faith and Fate: Limits of Transformers on Compositionality
  • ...등등

[sujungleeml]

Health system-scale language models are all-purpose prediction engines

• AI 비서가 함께 치료를 관찰하고 예측과 조언을 제공하는 것은 의사들이 AI에게 기대하는 미래 중 하나겠지요.
• 대규모 의료 시스템의 전체 EHR에서 LLM인 NYUTron을 교육하여 광범위한 임상 및 운영 작업에서 의사의 메모(clinical note)를 읽고 이러한 예측 중 몇 가지를 수행하는 모델이 나왔습니다.
• 실시간 의료 환경에 NYUTron을 배포하고 임상 워크플로에 원활하게 통합되는지를 확인했고,30일 재입원을 예측하는 데서 효과를 확인했습니다.
• NYUTon은 구조화 하지 않은 임상 노트를 가지고 (1) 30일 내 재입원 예측, (2) 병원 내 사망 예측, (3) 동반 질환 지수 예측, (4) 입원 기간(LOS; Length of Stay) 예측, (5) 보험 거부 예측을 수행했고 78.7–94.9%의 AUC를 보였습니다.(기존 모델에 비해 AUC가 5.36–14.7% 향상)

• a , NYU Langone EHR에 두 가지 유형의 데이터 세트를 불러왔습니다.
• 사전 훈련 데이터 세트인 NYU Notes에는 10년간의 입원 환자 임상 기록(환자 387,144명, 41억 단어)이 포함되어 있습니다.
• 5개의 미세 조정 데이터 세트가 있습니다. 각각은 작업별 레이블(2-4개 클래스)과 함께 1-10년 간의 입원 환자 임상 노트(55,791-413,845명의 환자, 51-87백만 단어)를 포함합니다.
• b , EHR에 포함된 의학적 언어에 대한 사전 훈련된 모델을 생성하기 위해 전체 EHR에서 NYUTron이라고 하는 1억 9백만 개의 매개변수 BERT와 유사한 LLM을 사전 훈련했습니다. MLM(Masked Language Modeling) 을 사용했고요.
• c , 이후에 특정 작업(예: 30일 전 원인 재입원 예측)에 대해 사전 훈련된 모델을 미세 조정하고 검증했습니다.
• d, 마지막으로 미세 조정된 모델을 가속 형식으로 압축하고 NYU Langone EHR과 인터페이스하여 퇴원 기록 추론 엔진에 로드했습니다.

• 후향적연구 -> 전향적 연구 진행(30일내 재입원)
• 개발 환경 외부에서 NYUTron의 성능을 평가하기 위해 후향적 시험 결과를 기반으로 모델을 선택하고 2022년 1월부터 4월까지 전향적 시험을 실행했습니다.
• EHR과 인터페이스하는 엔진은 치료 의사가 서명한 퇴원 기록을 읽을 수 있습니다.
• 이 기간 동안 29,286명의 퇴원 환자가 있었고 3,271명의 환자(11.17%)가 30일 이내에 복귀했습니다.
• NYUTron은 3,271건의 재입원 중 2,692건(recall 82.30%)을 precision 20.58%으로 예측했고,AUC는 78.70%입니다.(https://www.nature.com/articles/s41586-023-06160-y#Fig4)
• 6명의 의사로 구성된 패널이 잠재적 임상 영향에 대해서 NYUTron의 결과를 검토했는데,.NYUTron이 성공적으로 식별한 100건의 재입원 중 61%는 계획되지 않은 재입원이었고, 이 중 27%는 퇴원 시 예방 가능했습니다.