计算机前沿技术-人工智能算法-大语言模型-最新论文阅读-2024-09-12
1. PharmaBench: Enhancing ADMET benchmarks with large language models
Z Niu, X Xiao, W Wu, Q Cai, Y Jiang, W Jin, M Wang… - Scientific Data, 2024
大语言模型在药物发现中的应用:PharmaBench
文章由MindRank AI、伦敦帝国理工学院、华中科技大学和其他机构的研究人员共同撰写。
背景与总结
- ADMET(吸收、分布、代谢、排泄和毒性)特性的优化在药物发现中起着关键作用。
- 计算方法的发展为药物发现提供了快速且成本效益高的手段,减少了实验工作量和时间。
- 现有的基准数据集存在局限性,如覆盖的生物测定数据有限,与工业药物发现流程中的实体差异较大。
方法
- 利用大型语言模型(LLMs)作为核心引擎,从生物医学数据库中的测定描述中提取实验条件。
- 建立了自动化数据处理框架,用于处理数据,以便编制ADMET基准数据集。
- 实施了从ChEMBL数据库处理生物测定数据并提取缺失的实验条件的流程。
- 通过多步骤验证过程确认数据质量、分子特性和PharmaBench的建模能力。
数据处理工作流程
- 数据收集:主要来源是ChEMBL数据库,包括实验值、化学结构、测定描述等。
- 数据挖掘:使用GPT-4模型作为数据挖掘任务的核心,通过少量示例学习来提取实验条件。
- 数据标准化:包括结构格式、实验条件和实验值的标准化。
- 数据过滤:移除异常分子和不规则实验结果,构建最终基准集。
- AI建模数据准备:统一重复结果,划分训练和测试集。
技术验证
- 通过重复测试、属性分布分析和深度学习及机器学习建模来评估数据集。
- 展示了PharmaBench数据集在不同模型上的表现,证明了数据集的质量。
实验相关
- 提供了11个ADMET数据集,包括标准化的SMILES表示、实验值和训练标签。
- 用户可以使用提供的标签进行公平比较。
代码可用性
- 研究中使用的代码已存储在GitHub上,所有计算均在Python 3.12.2虚拟环境下完成。
参考文献
文章列出了57个参考文献,涵盖了药物发现、大语言模型、数据挖掘和机器学习等领域的研究。
2. Consumer segmentation with large language models
Y Li, Y Liu, M Yu - Journal of Retailing and Consumer Services, 2025
大语言模型在消费者细分中的应用
摘要
- 消费者细分对企业定制产品至关重要。 本研究探索了大型语言模型(LLMs)在市场研究消费者细分中的应用。
- 通过LLMs进行基于消费者调查数据的聚类分析,重点关注基于文本的多项选择题和开放式问题。
- 使用LLMs模型进行文本嵌入聚类,提高了聚类准确性。 创建了模拟消费者偏好的聊天机器人,准确率超过89%。 研究结果强调了LLMs框架在市场研究中的潜力。
引言
- 零售文献中包含多种揭示消费者偏好的方法,其中调查问卷起着关键作用。
- 传统的调查方法忽视了问卷中的文本数据,导致研究者和实践者难以理解消费者偏好。
- LLMs在理解和生成自然语言方面具有强大的能力,已被应用于市场感知分析、搜索引擎优化和个性化营销等领域。
消费者细分
- “用户画像”概念涉及从用户的基本、社会、行为和心理属性中提取共同特征。
- 企业通过收集和分析消费者的社会特征、生活习惯和购买行为数据来细分消费者群体。
嵌入模型
- 在自然语言处理(NLP)中,嵌入是将文本数据转换为数值向量的过程。
- 嵌入向量能够表示词、短语或整个文档在连续向量空间中的语义相似性。
数据来源
- 与一家经营1000多家连锁店和5000多家高质量零售店的中国酒类公司合作,获得了500份有效回应。
- 调查问卷旨在探索消费者对酒类的偏好,并构建详细的消费者画像。
聚类结果
- 使用K-means聚类算法构建消费者画像。K-means算法易于实现和理解,计算效率高,适用于中等规模数据集。
关键结论
- 研究调查了LLM技术在协助公司进行消费者细分和构建消费者画像方面的应用。
- LLM方法是一个可靠且高效的工具,能够有效地对调查文本进行聚类,并基于真实消费者体验促进扩展问答环节。
3. Tele-LLMs: A Series of Specialized Large Language Models for Telecommunications
A Maatouk, KC Ampudia, R Ying, L Tassiulas - arXiv preprint arXiv:2409.05314, 2024
Tele-LLMs: 为电信领域定制的大型语言模型系列
摘要
- 大型语言模型(LLMs)在自然语言处理和多个领域产生了显著影响。
- 电信领域的LLMs应用受限,通常依赖于缺乏特定领域专业化的通用模型。
- 本文通过创建和发布Tele-Data(电信材料综合数据集)和Tele-Eval(针对该领域的大规模问答数据集),解决了这一问题。
- 通过广泛实验,探索了将LLMs适应于电信领域最有效的训练技术。
- 开发了和开源了Tele-LLMs系列,这是首批为电信领域量身定制的、参数从1B到8B不等的语言模型。
- 评估表明,这些模型在Tele-Eval上的表现超过了通用模型,同时保留了先前获得的能力,避免了灾难性遗忘现象。
算法模型
- Tele-Data 策划
- 利用基于LLM的过滤方法,从arXiv论文、标准、Wikipedia文章和网络内容中筛选相关来源。
- 通过正则表达式和针对电信领域特性的LLM过滤技术进行广泛清洗。
- Tele-Eval 生成
- 利用Tele-Data,通过LLM框架创建了包含750k问答对的评估数据集。
- 应用严格的正则表达式和LLM过滤,排除局部兴趣问题。
实验探索
- 研究了使用参数高效微调(PEFT)技术向模型注入电信知识的可能性。
- 通过实验确定了最大化模型性能所需的训练周期数,并识别了在此适应过程中的过拟合点。
Tele-LLMs 系列
- 基于Tinyllama-1.1B、Phi-1.5、Gemma-2B和LLama-3-8B,开发了从1B到8B参数的Tele-LLMs系列。
- 通过定量和定性评估,与原始版本进行比较,突出了在电信领域的优势。
实验效果
- Tele-LLMs在Tele-Eval上的平均相对改进达到了25%。
- 在灾难性遗忘现象方面,这些模型成功保留了原始能力。
- 在电信领域,即使是较小的适配模型也能与较大的通用模型相媲美。
核心结论
- 本文成功地为电信领域定制了一系列大型语言模型。
- 通过创建和开源整个专业化框架的每一步,为电信领域提供了强大的工具。
- Tele-LLMs系列不仅在电信领域表现出色,还为未来在该领域的LLM应用奠定了基础。
4. MMEvol: Empowering Multimodal Large Language Models with Evol-Instruct
R Luo, H Zhang, L Chen, TE Lin, X Liu, Y Wu, M Yang… - arXiv preprint arXiv …, 2024
摘要
- 本文提出了MMEvol,一个新颖的多模态指令数据进化框架,用于提升多模态大型语言模型(MLLMs)的能力。
- 通过结合细粒度感知进化、认知推理进化和交互进化,MMEvol迭代方法突破了数据质量瓶颈,生成了复杂且多样化的图像-文本指令数据集。
- 利用SEED-163K初始指令集,通过MMEvol系统地扩展指令类型的多样性,整合推理步骤以增强认知能力,并从图像中提取详细信息以提升视觉理解和鲁棒性。
- 在13个视觉-语言任务上进行实验,与基线训练相比,平均准确率提高了3.1个百分点,并在9个任务上达到了最先进的性能。
算法模型
数据收集
- 从多个来源策划了163K的种子指令数据集,包括LLaVA-Instruct、ShareGPT4V数据集和额外的科学图表数据。
方法细节
- 细粒度感知进化:最大化图像中视觉信息的提取,特别是那些被忽视的非主要视觉对象。
- 认知推理进化:通过增加数据中的视觉推理步骤来生成新的指令数据,从而提高数据复杂性。
- 交互进化:自动生成具有丰富任务形式的指令数据,以提供良好的交互体验。
- 指令消除:通过评分标准过滤掉进化失败的指令数据,保留成功的指令。
实验效果
- 在多个视觉-语言基准测试中,使用进化数据训练的模型表现出色,与使用原始种子数据训练的模型相比,平均性能提升3.8个百分点。
- 在与现有最先进方法的比较中,使用MMEvol数据训练的模型在几乎所有基准测试中都显著提高了性能界限。
- 通过定性分析和消融实验验证了所提出方法的有效性和效率。
核心结论
- MMEvol通过迭代增强指令数据的多样性和复杂性,有效提升了MLLMs的性能。
- 未来的研究方向包括探索集成图像生成模型以合成新图像,并进行图像和文本的双重进化,以训练更强大的基础模型。
5. The emergence of Large Language Models (LLM) as a tool in literature reviews: an LLM automated systematic review
D Scherbakov, N Hubig, V Jansari, A Bakumenko… - arXiv preprint arXiv …, 2024
摘要
- 本研究旨在总结大型语言模型(LLM)在创建科学综述过程中的使用情况。
- 研究目的是评估LLM在自动化综述过程中的各个阶段的应用,并评估当前该领域的最新研究项目。
- 研究通过使用一系列LLM工具,对使用LLM进行系统和其他类型综述的研究项目进行了系统综述。
计算机前沿技术-人工智能算法-大语言模型-最新论文阅读-2024-09-13(下)+https://developer.aliyun.com/article/1628806