네거티브 샘플링 및 노이즈 대비 추정
네거티브 샘플링과 NCE(Noise Contrastive Estimation)는 비용이 많이 드는 전체 소프트맥스를 계산하지 않고도 모델이 거대한 어휘에 대해 학습할 수 있게 해주는 트릭입니다.
개요
Instead of scoring every possible output, they teach the model to tell real (positive) examples from a handful of fake (negative) ones.
심층 분석
어휘에 수십만 개의 단어가 있는 경우 일반 소프트맥스는 각 훈련 단계의 모든 단어에 대해 정규화해야 합니다. 이는 너무 느립니다. 잡음 대비 추정은 문제를 이진 분류로 재구성합니다. 주어진 목표와 알려진 분포에서 추출한 몇 가지 '잡음' 샘플을 사용하여 실제 샘플을 잡음과 구별하는 방법을 학습합니다. 그러면 명시적인 정규화 없이 원하는 확률이 암시적으로 복구됩니다. word2vec의 스킵 그램 모델로 대중화된 네거티브 샘플링은 단순화된 사촌입니다. 각 참(단어, 컨텍스트) 쌍에 대해 k 네거티브를 샘플링하고 시그모이드 목표를 사용하여 실제 쌍에 높은 점수를 할당하고 가짜에 낮은 점수를 할당하도록 모델을 교육합니다. 둘 다 값비싼 다중 클래스 문제를 값싼 바이너리 문제로 변환하여 대규모 임베딩 훈련을 실용적으로 만듭니다. 노이즈 분포(흔히 3/4승으로 올려진 유니그램)의 선택은 품질에 큰 영향을 미칩니다.
기술적 통찰력
NCE는 데이터와 노이즈를 분류하여 모델을 추정하고, 노이즈 샘플의 수가 증가함에 따라 적절한 정규화된 소프트맥스를 사용하여 최대 가능성에 근접함을 증명합니다. 음수 샘플링은 NCE의 정규화 항을 완전히 삭제하여 log σ(양수 점수) + Σ log σ(−음수 점수)를 최적화합니다. 이로 인해 더 빨라지지만 더 이상 일관된 밀도 추정기가 아닙니다. 보정된 확률보다는 좋은 임베딩을 학습하도록 조정되었습니다. 평활화된 유니그램 분포(빈도^0.75)에서 음수를 샘플링하여 일반 단어와 희귀 단어의 균형을 맞춥니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
네거티브 샘플링과 잡음 대비 추정의 미래
샘플링된 부정과 긍정을 대조하여 학습하는 핵심 아이디어는 이제 비전, 언어 및 추천 전반에 걸쳐 현대적인 자기 지도 및 대조 표현 학습을 뒷받침합니다. 향후 작업은 하드 네거티브 마이닝(임의의 네거티브 대신 유익한 네거티브 선택), 거짓 네거티브에 대한 편향성 제거, 대규모 메모리 뱅크 또는 일괄 샘플링을 통해 네거티브를 저렴하게 확장하는 데 중점을 둡니다. 모델이 성장함에 따라 검색 및 대규모 추천과 같이 출력 공간이나 후보 세트가 거대할 때마다 효율적인 샘플링 목표는 여전히 필수적입니다.
실제 구현
전체 소프트맥스 없이 수십억 개의 토큰에서 음성 샘플링 학습 단어 임베딩을 사용하는 word2vec 건너뛰기 그램입니다.
역사적으로 NCE를 사용하여 수십만 단어의 어휘를 효율적으로 훈련하는 언어 모델입니다.
2타워 임베딩 모델을 훈련하기 위해 사용자가 상호 작용하지 않은 '부정적' 항목을 샘플링하는 추천 및 검색 시스템입니다.
엔터티 관계를 학습하기 위해 음수 샘플을 사용하는 그래프 및 지식 그래프 임베딩(예: 트리플의 머리 또는 꼬리 손상).
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Negative Sampling and Noise Contrastive Estimation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
온라인 및 하드 네거티브 마이닝
자주 묻는 질문
What is Negative Sampling and Noise Contrastive Estimation?
네거티브 샘플링과 NCE(Noise Contrastive Estimation)는 비용이 많이 드는 전체 소프트맥스를 계산하지 않고도 모델이 거대한 어휘에 대해 학습할 수 있게 해주는 트릭입니다. 가능한 모든 출력에 점수를 매기는 대신, 소수의 가짜(부정) 사례와 실제(긍정) 사례를 구분하도록 모델을 가르칩니다.
네거티브 샘플링과 NCE는 주로 어떤 문제를 해결합니까?
두 가지 방법 모두 훈련을 더 저렴한 이진 판별로 재구성하여 대규모 어휘에 대한 정규화를 방지합니다.
잡음 대비 추정은 학습 과제를 어떻게 재구성합니까?
NCE는 실제 샘플과 알려진 노이즈 분포에서 추출한 샘플을 구별하도록 모델을 교육합니다.
단어 임베딩 학습을 위해 네거티브 샘플링을 대중화한 모델은 무엇인가요?
네거티브 샘플링은 word2vec의 스킵그램 변형에 의해 도입되고 대중화되었습니다.
네거티브 샘플링은 전체 NCE와 어떻게 다릅니까?
네거티브 샘플링은 정규화를 제거하고 속도 및 우수한 임베딩을 위해 확률적 정확성을 교환하여 NCE를 단순화합니다.
3/4 거듭제곱의 유니그램 분포에서 네거티브가 종종 샘플링되는 이유는 무엇입니까?
0.75 지수는 빈도 분포를 평활화하므로 일반적인 단어가 지배적이지 않고 희귀한 단어가 계속 나타납니다.