MixCE: Treinando Modelos de Linguagem Autoregressivos Misturando Entropias Cruzadas Direta e Reversa
MixCE: Training Autoregressive Language Models by Mixing Forward and Reverse Cross-Entropies
May 26, 2023
Autores: Shiyue Zhang, Shijie Wu, Ozan Irsoy, Steven Lu, Mohit Bansal, Mark Dredze, David Rosenberg
cs.AI
Resumo
Modelos de linguagem autoregressivos são treinados minimizando a entropia cruzada da distribuição do modelo Q em relação à distribuição dos dados P — ou seja, minimizando a entropia cruzada direta, o que equivale à estimativa de máxima verossimilhança (MLE). Observamos que modelos treinados dessa forma podem "supergeneralizar", no sentido de que produzem textos que não parecem humanos. Além disso, acreditamos que a entropia cruzada reversa, ou seja, a entropia cruzada de P em relação a Q, reflete melhor como um humano avaliaria o texto gerado por um modelo. Portanto, propomos o aprendizado com MixCE, uma função objetivo que combina as entropias cruzadas direta e reversa. Avaliamos modelos treinados com essa função em cenários de dados sintéticos (onde P é conhecido) e em dados reais, e mostramos que os modelos resultantes produzem textos gerados de melhor qualidade sem a necessidade de estratégias complexas de decodificação. Nosso código e modelos estão disponíveis publicamente em https://github.com/bloomberg/mixce-acl2023.
English
Autoregressive language models are trained by minimizing the cross-entropy of
the model distribution Q relative to the data distribution P -- that is,
minimizing the forward cross-entropy, which is equivalent to maximum likelihood
estimation (MLE). We have observed that models trained in this way may
"over-generalize", in the sense that they produce non-human-like text.
Moreover, we believe that reverse cross-entropy, i.e., the cross-entropy of P
relative to Q, is a better reflection of how a human would evaluate text
generated by a model. Hence, we propose learning with MixCE, an objective that
mixes the forward and reverse cross-entropies. We evaluate models trained with
this objective on synthetic data settings (where P is known) and real data, and
show that the resulting models yield better generated text without complex
decoding strategies. Our code and models are publicly available at
https://github.com/bloomberg/mixce-acl2023