概述
暴露偏差是指僅在完美前綴上訓練的模型在推理時必須以其自身的不完美輸出為條件時出現的差距。計劃抽樣是逐漸縮小這一差距的課程。
计划采样和曝光偏差是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探討
經過教師強制訓練的模型只會將真實標記視為上下文，但在生成時它們會回饋自己的預測。當早期的錯誤使模型處於訓練期間從未遇到過的狀態時，錯誤就會像滾雪球一樣越滾越大，這種失敗模式稱為「暴露偏差」。 Bengio 及其同事於 2015 年引入的計劃採樣通過在訓練期間的每個解碼步驟中擲硬幣來解決這個問題：它以一定的概率提供真實的令牌（教師強制），否則它提供模型自己的採樣預測。使用真實事實的機率一開始接近 1，並透過計劃（線性、指數或反 S 形）進行訓練時衰減，因此模型逐漸暴露於自己的輸出並學會從錯誤中恢復。
技術洞察
在步驟 t，模型以選擇黃金代幣的機率 epsilon_i 對伯努利變數進行採樣；epsilon_i 隨著訓練的進行而衰減。一個微妙之處在於，饋送採樣令牌使目標有偏差且離散採樣不可微分，因此梯度不會乾淨地流過反饋令牌。變異體使用直通式 Gumbel-softmax 或可微鬆弛來緩解這種情況，序列級方法直接優化 BLEU 等度量。
掌握预定采样和曝光偏差
暴露偏差是指僅在完美前綴上訓練的模型在推理時必須以其自身的不完美輸出為條件時出現的差距。計劃抽樣是逐漸縮小這一差距的課程。計劃採樣和曝光偏差是一個技術構建塊，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，請將計劃採樣和曝光偏差視為一種操作模型，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，強大的團隊使用計劃採樣和曝光偏差來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
使用計劃採樣訓練圖像字幕模型，使其能夠在預測不完美的單字後優雅地繼續
在神经机器翻译系统中使用反 sigmoid 调度来衰减教师强制概率
将陷入不连贯循环的聊天机器人诊断为纯粹教师强迫的暴露偏差症状
比较经过全面教师强制训练的摘要器与经过预定采样训练的摘要器的 BLEU 分数
實施模式
实践中的预定采样和曝光偏差
透過計劃採樣訓練圖像字幕模型，使其能夠在預測不完美的單字後優雅地繼續。
通过计划采样训练图像字幕模型，使其学会在预测不完美的单词后继续优雅地继续。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。
实践中的预定采样和曝光偏差
在神经机器翻译系统中使用反 sigmoid 调度来衰减教师强制概率。
在神經機器翻譯系統中使用反 sigmoid 調度來降低教師強制機率 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追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
实践中的预定采样和曝光偏差
将陷入不连贯循环的聊天机器人诊断为纯粹教师强迫的暴露偏差症状。
將陷入不連貫循環的聊天機器人診斷為純粹教師強迫的暴露偏差症狀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隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
实践中的预定采样和曝光偏差
比较经过全面教师强制训练的摘要器与经过预定采样训练的摘要器的 BLEU 分数。
比較經過全面教師強制訓練的摘要產生器與經過預定採樣訓練的摘要生成器的 BLEU 分數 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隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
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。