NastępnyNastępny poradnik
Wydobywanie online i twarde
Techniczne
PRZEWODNIK techniczny
Próbkowanie ujemne i szacowanie kontrastu szumu
Próbkowanie ujemne i estymacja kontrastu szumu (NCE) to sztuczki, które pozwalają modelom uczyć się na podstawie ogromnych słowników bez obliczania kosztownego pełnego softmaxu.
Posłuchaj tego przewodnikaOpowiadane przez sztuczną inteligencję · ~2 min
Na tej stronie2 minuty czytania
Przegląd
Instead of scoring every possible output, they teach the model to tell real (positive) examples from a handful of fake (negative) ones.
Głębokie nurkowanie
Kiedy słownictwo składa się z setek tysięcy słów, normalny softmax musi normalizować każde słowo na każdym etapie szkolenia – zdecydowanie za wolno. Estymacja kontrastowa szumu przekształca problem w klasyfikację binarną: mając cel i kilka próbek „szumu” pobranych ze znanego rozkładu, naucz się odróżniać prawdziwą próbkę od szumu, co pośrednio odzyskuje pożądane prawdopodobieństwa bez wyraźnej normalizacji. Próbkowanie negatywne, spopularyzowane przez model pomijania gramów w word2vec, jest uproszczonym kuzynem: dla każdej pary prawdziwej (słowo, kontekst) pobiera k negatywów i trenuje model, aby przypisywał wysoki wynik prawdziwej parze, a niski wynik podróbkom, używając sigmoidalnego celu. Obydwa zamieniają kosztowny problem wieloklasowy w wiele tanich problemów binarnych, dzięki czemu szkolenie w zakresie osadzania na dużą skalę jest praktyczne. Wybór rozkładu szumu (często unigram podniesiony do potęgi 3/4) silnie wpływa na jakość.
Implementacja w świecie rzeczywistym
word2vec pomijający gram z próbkowaniem negatywnym, uczący się osadzania słów z miliardów tokenów bez pełnego softmaxu.
Modele językowe historycznie wykorzystujące NCE do efektywnego uczenia słowników składających się z setek tysięcy słów.
Systemy rekomendacji i wyszukiwania pobierają próbki „negatywnych” elementów, z którymi użytkownik nie miał kontaktu, w celu szkolenia modeli osadzania z dwiema wieżami.
Osadzanie grafów i grafów wiedzy (np. psucie głowy lub ogona trójki) przy użyciu próbek negatywnych w celu poznania relacji między jednostkami.
Przyszłość negatywnego próbkowania i kontrastowej estymacji szumu
Podstawowa idea – ucz się poprzez kontrastowanie pozytywów z próbkowanymi negatywami – stanowi obecnie podstawę nowoczesnego uczenia się poprzez samonadzorowanie i kontrastową reprezentację w zakresie widzenia, języka i rekomendacji. Przyszłe prace skupiają się na eksploracji twardych negatywów (wybieranie negatywów informacyjnych zamiast losowych), eliminowaniu fałszywych negatywów i tanim skalowaniu negatywów za pomocą dużych banków pamięci lub próbkowania wsadowego. W miarę rozwoju modeli efektywne cele objęte próbą pozostają niezbędne wszędzie tam, gdzie przestrzenie wyjściowe lub zbiory kandydatów są ogromne, na przykład w przypadku wyszukiwania i rekomendacji na dużą skalę.
Wdrażanie tego w praktykę
Dlaczego to ma znaczenie
- Koszt i budżet. Decyzje dotyczące architektury wpływają na wydajność i koszty operacyjne przez lata.
- Jaśniejsze decyzje. Edukacja techniczna pomaga zespołom wybrać odpowiedni stos, a nie tylko najnowszy.
- Kontrola jakości. Lepsze wybory inżynieryjne zmniejszają liczbę incydentów związanych z niezawodnością w produkcji.
Uważaj na
- Optymalizacja jednego testu porównawczego może ukryć szersze słabości systemu.
- Koszty infrastruktury i utrzymania są często niedoszacowane.
- W miarę jak systemy stają się coraz bardziej złożone, luki w bezpieczeństwie i obserwowalności mogą się zwiększać.
Kolejne kroki
- Przed wdrożeniem zdefiniuj docelowe opóźnienia, jakość i koszty.
- Test porównawczy w realistycznych warunkach obciążenia i danych.
- Monitorowanie przyrządu pod kątem błędów, dryftu i wpływu użytkownika.
- Przed skalowaniem przygotuj ścieżki wycofywania zmian i reakcji na incydenty.
Odkrywaj dalej
Darmowy newsletter
Otrzymuj codzienne podsumowanie AI
Trzy zweryfikowane historie AI każdego poranka w dni robocze, napisane prostym angielskim. Bezpłatne na zawsze, bez reklam.
Jedno e‑mail każdego dnia roboczego. Wypisz się jednym kliknięciem. Nigdy nie sprzedajemy ani nie udostępniamy Twojego adresu.
Sprawdź się
Take the Negative Sampling and Noise Contrastive Estimation quiz
Natychmiastowa informacja zwrotna na każde pytanie oraz udostępnialny certyfikat z weryfikowalnym ID po zaliczeniu kursu.
Wspieraj darmową edukację AI. AI Understanding jest organizacją non-profit 501(c)(3) — bez reklam, bez płatnej ściany, zawsze. Przekaż darowiznę
Często zadawane pytania
What is Negative Sampling and Noise Contrastive Estimation?
Próbkowanie ujemne i estymacja kontrastu szumu (NCE) to sztuczki, które pozwalają modelom uczyć się na podstawie ogromnych słowników bez obliczania kosztownego pełnego softmaxu. Zamiast punktować każdy możliwy wynik, uczą model odróżniania prawdziwych (pozytywnych) przykładów od kilku fałszywych (negatywnych).
Jaki problem rozwiązują przede wszystkim ujemne próbkowanie i NCE?
Obie metody unikają normalizacji ogromnego słownictwa, przekształcając szkolenie w tańszą dyskryminację binarną.
W jaki sposób oszacowanie kontrastowe szumu zmienia ramy zadania edukacyjnego?
NCE szkoli model w celu odróżnienia próbek rzeczywistych od próbek pobranych ze znanego rozkładu szumu.
Który model spopularyzował próbkowanie negatywne w celu uczenia się osadzania słów?
Próbkowanie negatywne zostało wprowadzone i spopularyzowane przez wariant word2vec z pominięciem grama.
Czym różni się pobieranie ujemne od pełnego NCE?
Próbkowanie ujemne upraszcza NCE, usuwając normalizację i zamieniając poprawność probabilistyczną na szybkość i dobre osadzenie.
Dlaczego negatywy są często próbkowane na podstawie rozkładu unigramów podniesionego do potęgi 3/4?
Wykładnik 0,75 wygładza rozkład częstotliwości, dzięki czemu popularne słowa nie dominują i nadal pojawiają się rzadkie słowa.
Ucz się dalej
Powiązane przewodniki
Wybrano więcej przewodników na ten temat