概述
硬負挖掘選擇資訊最豐富、難以區分的範例進行訓練，而不是將精力浪費在模型已經正確的簡單範例上。正是這個技巧使度量學習和目標檢測快速且準確地收斂。
線上和硬負挖掘是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
當使用三元組或對比損失進行訓練時，大多數隨機採樣的負樣本已經遠離錨點，因此它們產生零損失並且沒有梯度，訓練停止。負面挖掘透過選擇硬負面來解決這個問題：錯誤地接近錨點的範例。在離線挖掘中，您需要定期掃描資料集來查找這些數據，但這種方式速度很慢並且會變得陳舊。在線挖掘在每個小批量中動態計算它們：在前向傳遞之後，您查看批量中的所有成對距離並選擇最難的違規者。 FaceNet引入了半硬挖掘，選擇比正值更遠但仍在邊緣內的負值，避免了絕對最難的負值在訓練早期可能導致的不穩定。
技術洞察
在線挖掘利用您已經計算的批次。透過 B 嵌入，您基本上可以免費獲得 B×B 距離矩陣，因此您可以每步評估大量候選三元組。批量硬挖掘為每個錨點選擇批次中最遠的正值和最近的負值。相反，半硬挖將負數限制在正距離和正距離加上餘裕之間，產生非零但穩定的梯度。較大的批次會提供更豐富的硬候選池，這就是為什麼批次大小強烈影響度量學習品質的原因。
掌握線上和硬負挖掘
硬負挖掘選擇資訊最豐富、難以區分的範例進行訓練，而不是將精力浪費在模型已經正確的簡單範例上。正是這個技巧使度量學習和目標檢測快速且準確地收斂。線上和硬負挖掘是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將線上和硬負挖掘視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用線上和硬負挖掘的強大團隊根據可靠性和成本優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
人臉辨識訓練：FaceNet 使用半硬線上挖掘來學習區分相似個體的嵌入。
物件偵測：SSD 和類似的偵測器應用硬負挖掘來平衡大量的簡單背景框和稀有物件框。
密集段落檢索：搜尋和 RAG 系統挖掘看似相關但實際上並不相關的硬負面文檔，從而提高檢索器的效能。
推薦系統：對使用者未點擊但與點擊的項目相似的項目進行建模，從而在口味上進行更精細的區分。
實施模式
在線和硬負數挖掘的實踐
人臉辨識訓練：FaceNet 使用半硬線上挖掘來學習區分相似個體的嵌入。
人臉辨識訓練：FaceNet 使用半硬線上挖掘來學習嵌入，將相似的個體分開。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
在線和硬負數挖掘的實踐
物件偵測：SSD 和類似的偵測器應用硬負挖掘來平衡大量的簡單背景框和稀有物件框。
物件偵測：SSD 和類似的偵測器應用硬負挖礦來平衡大量的簡單背景框與稀有物件框。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
在線和硬負數挖掘的實踐
密集段落檢索：搜尋和 RAG 系統挖掘看似相關但實際上並不相關的硬負面文檔，從而提高檢索器的效能。
密集段落檢索：搜尋和 RAG 系統挖掘看似相關但實際上並不相關的硬負面文檔，從而提高檢索器的效能。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
在線和硬負數挖掘的實踐
推薦系統：對使用者未點擊但與點擊的項目相似的項目進行建模，從而在口味上進行更精細的區分。
推薦系統：模型挖掘用戶未點擊但類似於點擊的項目的項目，教授更精細的品味區分當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並跟踪隨著時間的推移提高生產力和錯誤成本時，通常會得到更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。