Locally Typical Sampling
rizzearch throwback
мы уже упоминали неидальность maximum likelihood метода вот здесь: задача состоит в максимизации самого правдоподобного из трейна токена, а что будет с остальными - неважно. отчего могут образовываться длинные хвосты в распределении токенов
почему это может быть проблемой? при семплировании всегда есть ненулевая вероятность получить рандомный токен вместо более-менее приемлемого. особенно это остро встает, когда распределение становится остроконечным, и рандомные токены так же острее мешают инференсу
но это малая и не особо вероятная беда. авторы поднимают проблему информативности токенов при их генерации и связыают это с психолингвистами + information theory
в чем идея? как оказывается, самый правдоподобный токен (в терминах likelihood’a) не может быть самым информативным относительно данного контекста, ибо он самый правдоподобный. люди, вроде бы, генерируют свою речь по-другому, стараясь придавать новую информацию каждый раз, при этом сохраняя приверженность контексту
на языке математики это значит что каждый токен находится недалеко относительно ожидаемой энтропии всей последовательности, а значит каждый токен желательно делать не самым вероятным (и не самым невероятным)
как они это реализуют? просто обрубают пик распределения над логитами + обрубают хвосты (при помощи трешхолда от 0 до 1) ⇒ получаем информативно разнообразную адекватную последовательность
тестировались на абстрактной суммаризации и стори генерации, в принципе получилось неплохо. но пригодится такое конечно далеко не во всех задачах
еще интересно подумать над тем, как авторы сдвигают парадигму мышления относительно перплексии: надо не минимизировать ее, а стараться сделать такой же, какая свойственна человеку
👀LINK
rizzearch throwback
мы уже упоминали неидальность maximum likelihood метода вот здесь: задача состоит в максимизации самого правдоподобного из трейна токена, а что будет с остальными - неважно. отчего могут образовываться длинные хвосты в распределении токенов
почему это может быть проблемой? при семплировании всегда есть ненулевая вероятность получить рандомный токен вместо более-менее приемлемого. особенно это остро встает, когда распределение становится остроконечным, и рандомные токены так же острее мешают инференсу
но это малая и не особо вероятная беда. авторы поднимают проблему информативности токенов при их генерации и связыают это с психолингвистами + information theory
в чем идея? как оказывается, самый правдоподобный токен (в терминах likelihood’a) не может быть самым информативным относительно данного контекста, ибо он самый правдоподобный. люди, вроде бы, генерируют свою речь по-другому, стараясь придавать новую информацию каждый раз, при этом сохраняя приверженность контексту
на языке математики это значит что каждый токен находится недалеко относительно ожидаемой энтропии всей последовательности, а значит каждый токен желательно делать не самым вероятным (и не самым невероятным)
как они это реализуют? просто обрубают пик распределения над логитами + обрубают хвосты (при помощи трешхолда от 0 до 1) ⇒ получаем информативно разнообразную адекватную последовательность
тестировались на абстрактной суммаризации и стори генерации, в принципе получилось неплохо. но пригодится такое конечно далеко не во всех задачах
еще интересно подумать над тем, как авторы сдвигают парадигму мышления относительно перплексии: надо не минимизировать ее, а стараться сделать такой же, какая свойственна человеку
👀LINK
👍5❤2
Dynamic Stochastic Decoding Strategy for Open-Domain Dialogue Generation
авторы из китая придумали адаптивную температуру. все.
а если поподробнее - авторы реализуют отдельную голову, котора выдает скор разнообразности генерации, и этот скор потом преобразуется в температуру для основного семплинга. преобразований может быть несколько - линейное, экспоненциальное и инверс сигмоида
обучали голову через берт, который показывает похожесть последовательностей → из степени похожести можно вывести степень непохожести и обучать
при том рассказывают, что можно обучать в разных сетапах (фризить основную модель или обучать все вместе), при этом саму адаптивную температуру использовать уже на этапе трейна. выглядит довольно сомнительно, ибо если нигде не врубать стопградиент оператор, то может сильно так перехерачить сходимость этой самой головы (а то и всей модели, если не фризим веса). но кода нет и уточнений по поводу стопградиента тоже, можеть быть это моя паранойя, кто знает
бенчмаркали (если это можно так назвать, потому что датасет они частично собирали сами, частично еще что-то, но в открытый доступ выкладывать не будут) только на диалоговой таске, но можно применять конечно и в других задачах, где нужны разнообразные ответы ллм
и это все на китайских данных
👀LINK
авторы из китая придумали адаптивную температуру. все.
а если поподробнее - авторы реализуют отдельную голову, котора выдает скор разнообразности генерации, и этот скор потом преобразуется в температуру для основного семплинга. преобразований может быть несколько - линейное, экспоненциальное и инверс сигмоида
обучали голову через берт, который показывает похожесть последовательностей → из степени похожести можно вывести степень непохожести и обучать
при том рассказывают, что можно обучать в разных сетапах (фризить основную модель или обучать все вместе), при этом саму адаптивную температуру использовать уже на этапе трейна. выглядит довольно сомнительно, ибо если нигде не врубать стопградиент оператор, то может сильно так перехерачить сходимость этой самой головы (а то и всей модели, если не фризим веса). но кода нет и уточнений по поводу стопградиента тоже, можеть быть это моя паранойя, кто знает
бенчмаркали (если это можно так назвать, потому что датасет они частично собирали сами, частично еще что-то, но в открытый доступ выкладывать не будут) только на диалоговой таске, но можно применять конечно и в других задачах, где нужны разнообразные ответы ллм
и это все на китайских данных
👀LINK
👍3🔥1
WARP: On the Benefits of Weight Averaged Rewarded Policies
так-так, что-то тут опять дипмаинд намудрили в алайменте
в ходе их следственно-розыскных мероприятий было выявлено, что во время алаймента может наблюдаться
- хакинг ревард модели, которая никогда не может быть идеальной
- катастрофическое забывание из-за ограниченности алаймент датасета (а порой и сфт датасета)
- ну и это выливается в общем счете в потерю вариативности генераций
что же делать? как нам быть? ну, эти авторы думают, что раз доп регуляризации и лоссы не особо помогают, то можно попробовать напрямую мержить веса по образу и подобию ЕМА. но оказалось не все так просто и они используют аж 3 разных способа, которые работают последовательно
- вместо того, чтобы по классике накидывать кл лосс между сфт весами и рлхф весами, тут в качестве якоря используется ЕМА самой полиси, чтобы была и стабилизация, и постепенный апдейт
- далее идет обучение аж нескольких полиси (М штук), которые затем интерполируют между собой и между сфт весами. при том интерполяция не просто линейная, а сферическая относительно сфт весов. почему? да скорее всего потому что с линейной просто не завелось, а дожать до результатов хотелось
- ну и в конце итерации меняем инит модель относительно которая выступает сфт якорем в начале обучения, чтобы обновление весов происходило еще плавнее(ну или возможно мы снова делаем ЕМА на полиси веса, я sooka запутался пока читал их статью и перепутанные обозначения в псевдокоде)
вообще выглядит немного костыльно, мол
с другой стороны, может в этом и суть папиры - не всегда стоит вдаваться в теорию, а порой вот такая итеративная долбежка может улучшить скор (хоть и не на долгосрок)
👀LINK
так-так, что-то тут опять дипмаинд намудрили в алайменте
в ходе их следственно-розыскных мероприятий было выявлено, что во время алаймента может наблюдаться
- хакинг ревард модели, которая никогда не может быть идеальной
- катастрофическое забывание из-за ограниченности алаймент датасета (а порой и сфт датасета)
- ну и это выливается в общем счете в потерю вариативности генераций
что же делать? как нам быть? ну, эти авторы думают, что раз доп регуляризации и лоссы не особо помогают, то можно попробовать напрямую мержить веса по образу и подобию ЕМА. но оказалось не все так просто и они используют аж 3 разных способа, которые работают последовательно
- вместо того, чтобы по классике накидывать кл лосс между сфт весами и рлхф весами, тут в качестве якоря используется ЕМА самой полиси, чтобы была и стабилизация, и постепенный апдейт
- далее идет обучение аж нескольких полиси (М штук), которые затем интерполируют между собой и между сфт весами. при том интерполяция не просто линейная, а сферическая относительно сфт весов. почему? да скорее всего потому что с линейной просто не завелось, а дожать до результатов хотелось
- ну и в конце итерации меняем инит модель относительно которая выступает сфт якорем в начале обучения, чтобы обновление весов происходило еще плавнее
вообще выглядит немного костыльно, мол
давайте попробуем ЕМА - не заработало. окей, давайте тогда сверху накинем еще какой-то мерж весов. и здеся не оч, ну тогда не забудем в финальный аутпут приправить то, с чего начинали - сфт веса. о - вот теперь норм
с другой стороны, может в этом и суть папиры - не всегда стоит вдаваться в теорию, а порой вот такая итеративная долбежка может улучшить скор (хоть и не на долгосрок)
👀LINK
❤1
Training Language Models to Self-Correct via Reinforcement Learning
hey, мы уже упоминали рл с многоходовочкой в контексте алаймента
и тут авторы (и в частности известный в рл кумар) продвинули это в моменте селф-коррекции. но звучит все не так страшно и непонятно, как на практике
стараются максимизировать ревард со второго захода, когда опционально залетает второй промпт о неправильности/просьбой скорректировать генерацию. при том заметили нюанс, что на обучении модель сразу будет пытаться выдать все четко с первого раза, что не очень имитирует сценарии на инференсе
→ повозились с кл дивергенцией и разной постановкой максимизации реварда. сначала KLD считают относительно первого промпта во время первой стадии обучения, а максимизируют оверолл ревард. далее делают как обычно и максимизируют и регуляризуют по старинке по всем промптам
еще и говорят о возможности добавить шейпинга реварда через разницу ревардов между вторым и первым промптами для мотивации в селф-коррекцию непосредственно. правда не понял, почему авторы считают, что эта разница должна быть больше 1.0, когда она должна быть больше 0. можеть быть этот шейпинг выступает в конечной формуле где-то в виде степени для экспоненты и тогда все ок, но дипмаинды почему-то и это решили оставить за кулисами :)
как обычно остается много вопросов - сколько по времени обучения должны идти стадии обучения (где по-разному считаются реварды и кл дивергенции), какие есть вычислительные нюансы, которые сразу не бросаются в глаза, где код и тд и тп
правда зная имплементации кумара, только🌟 Господь🌟 полностью может знать, что скрывается в коде для того, чтобы этот метод работал
👀LINK
hey, мы уже упоминали рл с многоходовочкой в контексте алаймента
и тут авторы (и в частности известный в рл кумар) продвинули это в моменте селф-коррекции. но звучит все не так страшно и непонятно, как на практике
стараются максимизировать ревард со второго захода, когда опционально залетает второй промпт о неправильности/просьбой скорректировать генерацию. при том заметили нюанс, что на обучении модель сразу будет пытаться выдать все четко с первого раза, что не очень имитирует сценарии на инференсе
→ повозились с кл дивергенцией и разной постановкой максимизации реварда. сначала KLD считают относительно первого промпта во время первой стадии обучения, а максимизируют оверолл ревард. далее делают как обычно и максимизируют и регуляризуют по старинке по всем промптам
еще и говорят о возможности добавить шейпинга реварда через разницу ревардов между вторым и первым промптами для мотивации в селф-коррекцию непосредственно. правда не понял, почему авторы считают, что эта разница должна быть больше 1.0, когда она должна быть больше 0. можеть быть этот шейпинг выступает в конечной формуле где-то в виде степени для экспоненты и тогда все ок, но дипмаинды почему-то и это решили оставить за кулисами :)
как обычно остается много вопросов - сколько по времени обучения должны идти стадии обучения (где по-разному считаются реварды и кл дивергенции), какие есть вычислительные нюансы, которые сразу не бросаются в глаза, где код и тд и тп
правда зная имплементации кумара, только
👀LINK
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Stochastic Q-learning for Large Discrete Action Spaces
есть классический рл, который на самом деле очень даже интересный и полезный: Q-learning, который в стандартном сетапе создает табличку num_states x num_actions и производит обновление по правилу Беллмана и тд и тп
но что делать если num_actions → inf? (случай, когда num_states → inf можно решать чуть по-другому)
перебирать не по всему пространству, конечно же. но как? и вот авторы подумали как, и теоретически выявили, что на каждом шаге достаточно семплить всего лишь порядка log[num_actions] с округлением вверх, и обновление q-learning’a осуществлять только по этим действиям. при том можно семплить чуть меньше, и хранить вместе с этим буффер уже используемых действий (которые хранятся в связи с exploration соображениями). и, по теории, этого достаточно! супер пупер найс, казалось бы, если не принимать во внимание тот факт, что тестились они на классических средах где не оч много действий (например, 256), когда такая идея с лог сайз буффером и семплингом имеет место быть с количества действий начиная от 10к например.
еще кстати развивают эту идею не только на табулярку, но и на DQN etc. и вроде бы тоже works fine. к тому же можно так же побаловаться с непрерывнями действиями - дискретизировать их и применить этот стохастичный метод, тогда у них в экспах количество действий становилось 4096, что уже становится не оч для рл алгосов, а потому метод (возможно) имеет место быть
смущает только то, что все обучение делали на цпу (немного кринжа в ленту), да и код был бы очень кстати, что именно они запускали и как именно реализовали память и момент семплинга
да и сделать бы им какое-то расширение сред с дейстительно огромным количеством действий, где такое явно необходимо
👀LINK
есть классический рл, который на самом деле очень даже интересный и полезный: Q-learning, который в стандартном сетапе создает табличку num_states x num_actions и производит обновление по правилу Беллмана и тд и тп
но что делать если num_actions → inf? (случай, когда num_states → inf можно решать чуть по-другому)
перебирать не по всему пространству, конечно же. но как? и вот авторы подумали как, и теоретически выявили, что на каждом шаге достаточно семплить всего лишь порядка log[num_actions] с округлением вверх, и обновление q-learning’a осуществлять только по этим действиям. при том можно семплить чуть меньше, и хранить вместе с этим буффер уже используемых действий (которые хранятся в связи с exploration соображениями). и, по теории, этого достаточно! супер пупер найс, казалось бы, если не принимать во внимание тот факт, что тестились они на классических средах где не оч много действий (например, 256), когда такая идея с лог сайз буффером и семплингом имеет место быть с количества действий начиная от 10к например.
еще кстати развивают эту идею не только на табулярку, но и на DQN etc. и вроде бы тоже works fine. к тому же можно так же побаловаться с непрерывнями действиями - дискретизировать их и применить этот стохастичный метод, тогда у них в экспах количество действий становилось 4096, что уже становится не оч для рл алгосов, а потому метод (возможно) имеет место быть
смущает только то, что все обучение делали на цпу (немного кринжа в ленту), да и код был бы очень кстати, что именно они запускали и как именно реализовали память и момент семплинга
да и сделать бы им какое-то расширение сред с дейстительно огромным количеством действий, где такое явно необходимо
👀LINK
❤3
MiniLLM: Knowledge Distillation of Large Language Models
немножко basic arithmetics для повторения - кл дивергенция, хоть интуитивно всегда и подразумевается расстоянием между 2мя распределениями, по факту несимметрична относительно своих переменных
как оказывается, если поменять переменные с привычных нам мест, то 1) это мы уже будем называть reverse KL (а стандартный вариант forward KL) и 2) так мы сможем лучше фиттить самый высокий пик в мультимодальных распределениях, в то время как форвард кл будем фиттить нечто среднее и приплюснутое.
такой сетап довольно хорошо ложится на дистилляцию - вшиваем в мелкую модель только то, что точно выдает большая модель бОльшую часть времени, стараясь не отвлекаться на всякий шум и тд и тп (получаем более-менее неявный вид вычленения только релевантных фичей как тут)
и авторы такое и делают. правда еще обучают через полиси градиент, особо не поясняя, почему именно так. видимо ничего другое не заработало, а рл заработал 😎😎 😎 (да, в аппендиксе у них есть обоснование, почему они свели именно к формулировке рля, но кмк оно недостаточно, ибо любой супервайзд сетап можно тем или иным образом свести к рл и обучать по заветам этой области)
для каждого степа формулируют ревард через log-odds между тичером и стьюдентом как меру качества + по пути справляются с жестким разбросом реварда, ревард хакингом через повторение токенов и нормализацию по длине генерации. звучит вполне круто и даже можно верить результатам imho
скейл учителей только относительно небольшой (максимум 13В). смею спекулировать, что при увеличении тичера дисперсия полиси градиентов будет еще хлеще и придется несладко.
👀LINK
немножко basic arithmetics для повторения - кл дивергенция, хоть интуитивно всегда и подразумевается расстоянием между 2мя распределениями, по факту несимметрична относительно своих переменных
как оказывается, если поменять переменные с привычных нам мест, то 1) это мы уже будем называть reverse KL (а стандартный вариант forward KL) и 2) так мы сможем лучше фиттить самый высокий пик в мультимодальных распределениях, в то время как форвард кл будем фиттить нечто среднее и приплюснутое.
такой сетап довольно хорошо ложится на дистилляцию - вшиваем в мелкую модель только то, что точно выдает большая модель бОльшую часть времени, стараясь не отвлекаться на всякий шум и тд и тп (получаем более-менее неявный вид вычленения только релевантных фичей как тут)
и авторы такое и делают. правда еще обучают через полиси градиент, особо не поясняя, почему именно так. видимо ничего другое не заработало, а рл заработал 😎
для каждого степа формулируют ревард через log-odds между тичером и стьюдентом как меру качества + по пути справляются с жестким разбросом реварда, ревард хакингом через повторение токенов и нормализацию по длине генерации. звучит вполне круто и даже можно верить результатам imho
скейл учителей только относительно небольшой (максимум 13В). смею спекулировать, что при увеличении тичера дисперсия полиси градиентов будет еще хлеще и придется несладко.
👀LINK
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Transformers need glasses! Information over-squashing in language tasks
мы уже упоминали о том, что трансформеры могут быть чувствительны к чувствительным инпутам, и авторы недалеко отошли от этих выводов, но и заметили еще другое интересно
они выявили нестабильность не на уровне леернормы/весов, как в прошлой работе, а на уровне внутренних репрезентаций токенов. как оказывается, чем длиннее последовательность, тем ближе репрезентации последних токенов становятся друг к другу (и неразличимыми впоследствии. это при условии, что последовательности более-менее похожи, но не одинаковы) + происходит серьезная затычка с флоу информации на последних токенах через декодер, поскольку у них намного меньше путей по прокидыванию этой самой информации по сравнению с более ранними токенами
ну и получаем то, что получаем. на вход идет чувствительная задача ⇒ трансформер точно так же чувствительно (плохо) и неидеально отвечает. при том верно для большого и маленького скейла. эмпирическое подкрепление их теории сделано на 7б модели (в принципе экспы провоили га гемини и гемме)
однако вместе с этими выводами пришли и интересные инсайты
- в трансформере присутствует U-shape тенденция к запоминанию: таска лучше решается, если релевантные для нее токены находятся рядом с началом/концом последовательности
- если “разбавлять” чувствительную последовательность, например, добавлять периодически запятые, то репрезентации становятся более различимыми и все идет smoother
довольно занятно, ибо такие же фичи свойственны и человеческой способности к запоминанию, да и решение с запятыми по сути так же помогает нам не сбиться с адекватного поглощения текстовой информации
👀LINK
мы уже упоминали о том, что трансформеры могут быть чувствительны к чувствительным инпутам, и авторы недалеко отошли от этих выводов, но и заметили еще другое интересно
они выявили нестабильность не на уровне леернормы/весов, как в прошлой работе, а на уровне внутренних репрезентаций токенов. как оказывается, чем длиннее последовательность, тем ближе репрезентации последних токенов становятся друг к другу (и неразличимыми впоследствии. это при условии, что последовательности более-менее похожи, но не одинаковы) + происходит серьезная затычка с флоу информации на последних токенах через декодер, поскольку у них намного меньше путей по прокидыванию этой самой информации по сравнению с более ранними токенами
ну и получаем то, что получаем. на вход идет чувствительная задача ⇒ трансформер точно так же чувствительно (плохо) и неидеально отвечает. при том верно для большого и маленького скейла. эмпирическое подкрепление их теории сделано на 7б модели (в принципе экспы провоили га гемини и гемме)
однако вместе с этими выводами пришли и интересные инсайты
- в трансформере присутствует U-shape тенденция к запоминанию: таска лучше решается, если релевантные для нее токены находятся рядом с началом/концом последовательности
- если “разбавлять” чувствительную последовательность, например, добавлять периодически запятые, то репрезентации становятся более различимыми и все идет smoother
довольно занятно, ибо такие же фичи свойственны и человеческой способности к запоминанию, да и решение с запятыми по сути так же помогает нам не сбиться с адекватного поглощения текстовой информации
👀LINK
❤3