СледваСледващо ръководство
Онлайн и твърд негативен майнинг
технически
Техническо РЪКОВОДСТВО
Отрицателно вземане на проби и контрастно оценяване на шума
Отрицателното вземане на проби и контрастната оценка на шума (NCE) са трикове, които позволяват на моделите да се обучават върху огромни речници, без да изчисляват скъпоструващ пълен софтмакс.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Instead of scoring every possible output, they teach the model to tell real (positive) examples from a handful of fake (negative) ones.
Дълбоко гмуркане
Когато един речник има стотици хиляди думи, нормалният softmax трябва да се нормализира върху всяка дума за всяка стъпка на обучение - твърде бавно. Noise Contrastive Estimation преформулира проблема като двоична класификация: дадена цел и няколко "шумови" извадки, извлечени от известно разпределение, научете се да разграничавате истинската проба от шума, което имплицитно възстановява желаните вероятности без изрична нормализация. Отрицателното вземане на проби, популяризирано от модела skip-gram на word2vec, е опростен братовчед: за всяка истинска двойка (дума, контекст) той взема проби k отрицателни и обучава модела да присвоява висок резултат на истинската двойка и нисък резултат на фалшивите, използвайки сигмоидна цел. И двата превръщат скъп многокласов проблем в много евтини бинарни, което прави обучението за широкомащабно вграждане практично. Изборът на разпределение на шума (често униграма, повишена до степен 3/4) силно влияе върху качеството.
Внедряване в реалния свят
word2vec skip-gram с отрицателна извадка, вграждане на думи за учене от милиарди токени без пълен softmax.
Езикови модели, използващи исторически NCE за ефективно обучение върху речници от стотици хиляди думи.
Системи за препоръки и извличане, вземащи проби от „отрицателни“ елементи, с които потребителят не е взаимодействал, за да обучат модели за вграждане с две кули.
Вграждане на графики и графи на знанието (напр. повреждане на главата или опашката на тройка) с използване на отрицателни проби за изучаване на връзки на обекти.
Бъдещето на отрицателното вземане на проби и контрастната оценка на шума
Основната идея — учене чрез контрастиране на положителни срещу извадени отрицателни — сега е в основата на модерното самоконтролирано и контрастно представяне на обучение чрез визия, език и препоръки. Бъдещата работа се фокусира върху твърдо отрицателно копаене (избиране на информативни негативи вместо произволни), отстраняване на отклонения за фалшиви негативи и евтино мащабиране на негативи чрез големи банки памет или партидно вземане на проби. С нарастването на моделите ефикасните извадкови цели остават от съществено значение навсякъде, където изходните пространства или наборите от кандидати са огромни, като например извличане и широкомащабни препоръки.
Прилагайки го на практика
Защо има значение
- Разходи и бюджет. Архитектурните решения стимулират производителността и оперативните разходи в продължение на години.
- По-ясни решения. Техническото образование помага на екипите да изберат правилния стек, а не само най-новия.
- Контрол на качеството. По-добрият инженерен избор намалява инцидентите, свързани с надеждността в производството.
Внимавайте за
- Оптимизирането на един бенчмарк може да скрие по-широки системни слабости.
- Разходите за инфраструктура и поддръжка често се подценяват.
- Пропуските в сигурността и видимостта могат да нарастват, когато системите стават по-сложни.
Следващи стъпки
- Определете целите за латентност, качество и разходи преди внедряването.
- Бенчмарк при реалистични условия на натоварване и данни.
- Мониторинг на инструмента за грешки, отклонение и въздействие върху потребителя.
- Подгответе пътеките за връщане назад и реакция на инцидент преди мащабиране.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Negative Sampling and Noise Contrastive Estimation quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
What is Negative Sampling and Noise Contrastive Estimation?
Отрицателното вземане на проби и контрастната оценка на шума (NCE) са трикове, които позволяват на моделите да се обучават върху огромни речници, без да изчисляват скъпоструващ пълен софтмакс. Вместо да оценяват всеки възможен резултат, те учат модела да разграничава истински (положителни) примери от шепа фалшиви (отрицателни).
Какъв проблем основно решават отрицателните проби и NCE?
И двата метода избягват нормализирането върху огромен речник, като преформулират обучението като по-евтина двоична дискриминация.
Как Noise Contrastive Estimation преформулира учебната задача?
NCE обучава модела да разграничава реални проби от проби, извлечени от известно разпределение на шума.
Кой модел популяризира отрицателно вземане на проби за изучаване на вграждане на думи?
Отрицателното вземане на проби беше въведено и популяризирано от варианта за пропускане на грам на word2vec.
Как се различава отрицателната проба от пълния NCE?
Отрицателната извадка опростява NCE чрез премахване на нормализацията, търгувайки с вероятностна коректност за скорост и добри вграждания.
Защо негативите често се вземат проби от униграмното разпределение, повдигнато на степен 3/4?
Показателят 0,75 изглажда честотното разпределение, така че общите думи не доминират и редките думи все още се появяват.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема