À suivreGuide suivant
Biais de Représentation et d’Échantillonnage dans les Jeux de Données
Technique
GUIDE Technique
Échantillonnage programmé et biais d’exposition
Le biais d'exposition est l'écart qui apparaît lorsqu'un modèle formé uniquement sur des préfixes parfaits doit, lors de l'inférence, conditionner ses propres sorties imparfaites.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
L'échantillonnage programmé est un programme qui comble progressivement cet écart.
Plongée profonde
Les modèles formés avec le forçage des enseignants ne voient que les jetons de vérité terrain comme contexte, mais au moment de la génération, ils renvoient leurs propres prédictions. Lorsqu'une erreur précoce place le modèle dans un état qu'il n'a jamais rencontré lors de l'entraînement, les erreurs peuvent faire boule de neige, un mode d'échec appelé biais d'exposition. L'échantillonnage programmé, introduit par Bengio et ses collègues en 2015, résout ce problème en lançant une pièce de monnaie à chaque étape de décodage pendant la formation : avec une certaine probabilité, il alimente le véritable jeton (forçage de l'enseignant) et sinon, il alimente la propre prédiction échantillonnée du modèle. La probabilité d'utiliser la vérité terrain commence à proximité de un et décroît au fil de l'entraînement via un calendrier (linéaire, exponentiel ou sigmoïde inverse), de sorte que le modèle est progressivement exposé à ses propres résultats et apprend à se remettre de ses erreurs.
Mise en œuvre dans le monde réel
Entraîner un modèle de sous-titrage d'image avec un échantillonnage programmé afin qu'il apprenne à continuer avec élégance après un mot prédit imparfait
Réduire la probabilité de forçage de l'enseignant avec un calendrier sigmoïde inverse dans un système de traduction automatique neuronale
Diagnostiquer un chatbot qui dérive dans des boucles incohérentes comme un symptôme de biais d'exposition dû au pur forçage des enseignants
Comparaison des scores BLEU d'un synthétiseur formé avec le forçage complet de l'enseignant par rapport à un synthétiseur formé avec un échantillonnage programmé
L’avenir de l’échantillonnage programmé et du biais d’exposition
Pour les grands modèles de langage Transformer, l'impact pratique du biais d'exposition est débattu, car les données et l'échelle énormes l'atténuent, et des méthodes telles que RLHF remodèlent directement le comportement de génération. Néanmoins, l'échantillonnage planifié et ses descendants restent pertinents pour les modèles plus petits, la génération structurée et les tâches ayant des besoins de précision stricts. Les travaux futurs combinent l'exposition au programme, les objectifs de séquence de renforcement et la formation à risque minimum pour aligner la façon dont les modèles sont formés avec la façon dont ils décodent réellement.
Le mettre en pratique
Pourquoi c'est important
- Coût et budget. Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
- Décisions plus claires. La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
- Contrôle qualité. De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.
Attention à
- L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
- Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
- Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.
Prochaines étapes
- Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
- Benchmark dans des conditions de charge et de données réalistes.
- Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
- Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Scheduled Sampling and Exposure Bias quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu’est-ce que le biais d’échantillonnage programmé et d’exposition ?
Le biais d'exposition est l'écart qui apparaît lorsqu'un modèle formé uniquement sur des préfixes parfaits doit, lors de l'inférence, conditionner ses propres sorties imparfaites. L'échantillonnage programmé est un programme qui comble progressivement cet écart.
À quoi sert l’échantillonnage programmé pendant la formation ?
L'échantillonnage programmé mélange de manière stochastique la vérité terrain et les jetons générés par le modèle en tant qu'entrées du décodeur, contrôlés par une probabilité décroissante.
Comment la probabilité d'utiliser le jeton de vérité terrain change-t-elle au cours de la formation dans le cadre d'un échantillonnage programmé ?
Le calendrier commence presque entièrement par le forçage des enseignants et décroît, de sorte que le modèle est de plus en plus exposé à ses propres prédictions à mesure qu'il s'améliore.
Qui a introduit l’échantillonnage programmé, et à peu près quand ?
L'échantillonnage programmé a été proposé par Samy Bengio et ses collègues en 2015 pour la prédiction de séquences avec des réseaux récurrents.
Quelle forme d’horaire est communément citée pour diminuer la probabilité de forçage des enseignants ?
Le travail original proposait des programmes de désintégration linéaire, exponentielle et sigmoïde inverse pour réduire la probabilité d'échantillonnage de la vérité terrain.
At a decoding step where scheduled sampling chooses the model-output branch, what is fed as the next context token?
Scheduled sampling sometimes feeds the model’s own sampled prediction instead of the gold previous token.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet