Il prossimoProssima guida
Rappresentazione e Bias di Campionamento nei Dataset
Tecnico
GUIDA TECNICA
Il bias di esposizione è il divario che appare quando un modello addestrato solo su prefissi perfetti deve, per inferenza, condizionare i propri risultati imperfetti.
Ascolta questa guidaNarrato dall'IA · ~2 min
Il campionamento programmato è un programma che colma gradualmente tale lacuna.
I modelli addestrati con la forzatura dell'insegnante vedono sempre e solo i token di verità fondamentale come contesto, ma al momento della generazione restituiscono le proprie previsioni. Quando un errore iniziale porta il modello in uno stato mai riscontrato durante l’addestramento, gli errori possono aumentare a dismisura, una modalità di fallimento chiamata bias di esposizione. Il campionamento programmato, introdotto da Bengio e colleghi nel 2015, affronta questo problema lanciando una moneta ad ogni passaggio di decodifica durante l'addestramento: con una certa probabilità alimenta il vero token (forzatura dell'insegnante) e altrimenti alimenta la previsione campionata del modello. La probabilità di utilizzare la verità sul terreno inizia vicino a uno e decade durante l'addestramento tramite un programma (lineare, esponenziale o sigmoide inverso), quindi il modello è progressivamente esposto ai propri risultati e impara a riprendersi dai propri errori.
Addestramento di un modello di didascalia di immagini con campionamento programmato in modo che impari a continuare con grazia dopo una parola prevista imperfetta
Decadimento della probabilità di forzatura dell'insegnante con uno schema sigmoideo inverso in un sistema di traduzione automatica neurale
Diagnosi di un chatbot che scivola in cicli incoerenti come sintomo di esposizione distorta derivante dalla semplice forzatura dell'insegnante
Confronto dei punteggi BLEU di un riassuntivo formato con la forzatura completa dell'insegnante rispetto a uno formato con il campionamento programmato
Per i modelli di linguaggio Transformer di grandi dimensioni, l’impatto pratico del bias di esposizione è dibattuto, poiché dati enormi e dimensioni lo smorzano e metodi come RLHF rimodellano direttamente il comportamento di generazione. Tuttavia, il campionamento programmato e i suoi discendenti rimangono rilevanti per modelli più piccoli, generazione strutturata e attività con rigorose esigenze di precisione. Il lavoro futuro unisce esposizione del curriculum, obiettivi di sequenza in stile rinforzo e formazione a rischio minimo per allineare il modo in cui i modelli vengono addestrati con il modo in cui vengono effettivamente decodificati.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Il bias di esposizione è il divario che appare quando un modello addestrato solo su prefissi perfetti deve, per inferenza, condizionare i propri risultati imperfetti. Il campionamento programmato è un programma che colma gradualmente tale lacuna.
Il campionamento programmato mescola stocasticamente token di verità e generati dal modello come input del decodificatore, controllati da una probabilità di decadimento.
Il programma inizia in prossimità della forzatura completa dell'insegnante e decade, quindi il modello è sempre più esposto alle proprie previsioni man mano che migliora.
Il campionamento programmato è stato proposto da Samy Bengio e colleghi nel 2015 per la previsione della sequenza con reti ricorrenti.
Il lavoro originale proponeva programmi di decadimento lineare, esponenziale e del sigmoide inverso per ridurre la probabilità di campionamento della verità fondamentale.
Scheduled sampling sometimes feeds the model’s own sampled prediction instead of the gold previous token.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Rappresentazione e Bias di Campionamento nei Dataset
Tecnico