Lấy mẫu âm và ước lượng tương phản tiếng ồn
Lấy mẫu âm và Ước tính tương phản tiếng ồn (NCE) là các thủ thuật cho phép các mô hình học qua lượng từ vựng khổng lồ mà không cần tính toán softmax đầy đủ tốn kém.
Tổng quan
Instead of scoring every possible output, they teach the model to tell real (positive) examples from a handful of fake (negative) ones.
Lặn sâu
Khi một từ vựng có hàng trăm nghìn từ, một softmax bình thường phải chuẩn hóa từng từ cho mỗi bước huấn luyện - quá chậm. Ước tính tương phản tiếng ồn định hình lại vấn đề dưới dạng phân loại nhị phân: cho một mục tiêu và một vài mẫu 'nhiễu' được rút ra từ một phân phối đã biết, học cách phân biệt mẫu thực với nhiễu, phục hồi hoàn toàn xác suất mong muốn mà không cần chuẩn hóa rõ ràng. Lấy mẫu âm, được phổ biến bởi mô hình Skip-gram của word2vec, là một người anh em họ đơn giản hóa: đối với mỗi cặp đúng (từ, ngữ cảnh), nó lấy mẫu k âm bản và huấn luyện mô hình để gán điểm cao cho cặp thật và điểm thấp cho cặp giả, sử dụng mục tiêu sigmoid. Cả hai đều biến một bài toán nhiều lớp đắt tiền thành nhiều bài toán nhị phân rẻ tiền, khiến việc đào tạo nhúng quy mô lớn trở nên thực tế. Việc lựa chọn mức phân bổ tiếng ồn (thường là unigram được nâng lên công suất 3/4) ảnh hưởng rất nhiều đến chất lượng.
Hiểu biết kỹ thuật
NCE ước tính một mô hình bằng cách phân loại dữ liệu so với nhiễu và khi số lượng mẫu nhiễu tăng lên, nó có thể xấp xỉ khả năng tối đa với softmax được chuẩn hóa thích hợp. Lấy mẫu âm loại bỏ hoàn toàn các số hạng chuẩn hóa của NCE, tối ưu hóa log σ(điểm dương) + Σ log σ(−điểm âm). Điều đó làm cho nó nhanh hơn nhưng không còn là công cụ ước tính mật độ nhất quán nữa — nó được điều chỉnh để tìm hiểu các phần nhúng tốt thay vì xác suất được hiệu chỉnh. Việc lấy mẫu âm bản từ phân phối unigram được làm mịn (tần số^0,75) sẽ cân bằng các từ phổ biến và hiếm.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của việc lấy mẫu âm và ước lượng tương phản tiếng ồn
Ý tưởng cốt lõi - học bằng cách đối chiếu những mặt tích cực với những tiêu cực được lấy mẫu - giờ đây củng cố việc học cách trình bày tương phản và tự giám sát hiện đại qua tầm nhìn, ngôn ngữ và khuyến nghị. Công việc trong tương lai tập trung vào việc khai thác các phủ định cứng (chọn các phủ định thông tin thay vì ngẫu nhiên), loại bỏ sai lệch cho các phủ định sai và nhân rộng các phủ định với giá rẻ thông qua các ngân hàng bộ nhớ lớn hoặc lấy mẫu hàng loạt. Khi các mô hình phát triển, các mục tiêu được lấy mẫu hiệu quả vẫn cần thiết ở bất cứ nơi nào có không gian đầu ra hoặc tập hợp ứng cử viên rất lớn, chẳng hạn như khả năng truy xuất và đề xuất quy mô lớn.
Triển khai trong thế giới thực
word2vec Skip-gram với tính năng nhúng từ học lấy mẫu tiêu cực từ hàng tỷ mã thông báo mà không cần softmax đầy đủ.
Các mô hình ngôn ngữ trước đây sử dụng NCE để đào tạo từ vựng hàng trăm nghìn từ một cách hiệu quả.
Hệ thống đề xuất và truy xuất lấy mẫu các mục 'âm bản' mà người dùng không tương tác để huấn luyện các mô hình nhúng hai tháp.
Việc nhúng đồ thị và đồ thị tri thức (ví dụ: làm hỏng đầu hoặc đuôi của bộ ba) bằng cách sử dụng các mẫu âm để tìm hiểu các mối quan hệ thực thể.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Khai thác tiêu cực trực tuyến và cứng
Câu hỏi thường gặp
What is Negative Sampling and Noise Contrastive Estimation?
Lấy mẫu âm và Ước tính tương phản tiếng ồn (NCE) là các thủ thuật cho phép các mô hình học qua lượng từ vựng khổng lồ mà không cần tính toán softmax đầy đủ tốn kém. Thay vì chấm điểm mọi kết quả đầu ra có thể, họ dạy mô hình phân biệt các ví dụ thực (tích cực) từ một số ví dụ giả (tiêu cực).
Lấy mẫu âm tính và NCE chủ yếu giải quyết vấn đề gì?
Cả hai phương pháp đều tránh việc bình thường hóa một lượng từ vựng khổng lồ bằng cách định hình lại việc đào tạo dưới dạng phân biệt nhị phân rẻ hơn.
Ước tính tương phản tiếng ồn điều chỉnh lại nhiệm vụ học tập như thế nào?
NCE đào tạo mô hình để phân biệt các mẫu thực với các mẫu được lấy từ phân bố nhiễu đã biết.
Mô hình nào đã phổ biến việc lấy mẫu phủ định để học cách nhúng từ?
Lấy mẫu âm tính đã được giới thiệu và phổ biến nhờ biến thể Skip-gram của word2vec.
Lấy mẫu âm tính khác với NCE đầy đủ như thế nào?
Lấy mẫu âm giúp đơn giản hóa NCE bằng cách loại bỏ chuẩn hóa, đánh đổi độ chính xác xác suất để lấy tốc độ và khả năng nhúng tốt.
Tại sao các số âm thường được lấy mẫu từ phân bố unigram được nâng lên lũy thừa 3/4?
Số mũ 0,75 làm mịn phân bố tần số để các từ phổ biến không chiếm ưu thế và các từ hiếm vẫn xuất hiện.