memit

MEMIT: Memória de edição em massa em um transformador

Editando milhares de fatos em uma memória transformadora de uma só vez.

Índice

• Instalação
• Demonstração do algoritmo MEMIT
• Executando o conjunto completo de avaliação
• Gerando curvas de escala
• Como citar

Instalação

Recomendamos conda para gerenciar Python, CUDA e PyTorch; pip é para todo o resto. Para começar, basta instalar conda e executar:

CONDA_HOME= $CONDA_HOME ./scripts/setup_conda.sh

$CONDA_HOME deve ser o caminho para a instalação do seu conda , por exemplo, ~/miniconda3 .

Demonstração do algoritmo MEMIT

notebooks/memit.ipynb demonstra MEMIT. A API é simples; simplesmente especifique uma reescrita solicitada no seguinte formato:

 request = [
    {
        "prompt" : "{} plays the sport of" ,
        "subject" : "LeBron James" ,
        "target_new" : {
            "str" : "football"
        }
    },
    {
        "prompt" : "{} plays the sport of" ,
        "subject" : "Michael Jordan" ,
        "target_new" : {
            "str" : "baseball"
        }
    },
]

Outros exemplos semelhantes estão incluídos no caderno.

Executando o conjunto completo de avaliação

experiments/evaluate.py pode ser usado para avaliar qualquer método em baselines/ .

Por exemplo:

 python3 -m experiments.evaluate 
    --alg_name=MEMIT 
    --model_name=EleutherAI/gpt-j-6B 
    --hparams_fname=EleutherAI_gpt-j-6B.json 
    --num_edits=10000 
    --use_cache

Os resultados de cada execução são armazenados em results/<method_name>/run_<run_id> em um formato específico:

results/
| __ MEMIT/
    | __ run_ < run_id > /
        | __ params.json
        | __ case_0.json
        | __ case_1.json
        | __ ...
        | __ case_10000.json

Para resumir os resultados, você pode usar experiments/summarize.py :

python3 -m experiments.summarize --dir_name=MEMIT --runs=run_ < run 1> ,run_ < run 2>

A execução de python3 -m experiments.evaluate -h ou python3 -m experiments.summarize -h fornece detalhes sobre sinalizadores de linha de comando.

Como citar

 @article { meng2022memit ,
  title = { Mass Editing Memory in a Transformer } ,
  author = { Kevin Meng and Sen Sharma, Arnab and Alex Andonian and Yonatan Belinkov and David Bau } ,
  journal = { arXiv preprint arXiv:2210.07229 } ,
  year = { 2022 }
}