Dans l'actualité
Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data
arXiv cs.AI · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- Mixture-of-Experts models dégradent quatre fois plus vite que les modèles denses quand les données d'entraînement se répètent.
- Pourquoi ça compte
- Les ingénieurs construisant des modèles de langage sparse avec données d'entraînement limitées doivent considérer cet effet en choisissant entre MoE et architectures denses.
- Vigilance
- La régularisation comme dropout aide partiellement mais ne récupère pas la performance des données uniques. L'effet s'aggrave avec les paramètres totaux, pas seulement les paramètres actifs.
- language model
- mixture-of-experts
Les patterns derrière cette actualité
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.