MixCE: Обучение авторегрессионных языковых моделей путем смешивания прямого и обратного кросс-энтропий
MixCE: Training Autoregressive Language Models by Mixing Forward and Reverse Cross-Entropies
May 26, 2023
Авторы: Shiyue Zhang, Shijie Wu, Ozan Irsoy, Steven Lu, Mohit Bansal, Mark Dredze, David Rosenberg
cs.AI
Аннотация
Авторегрессионные языковые модели обучаются путем минимизации кросс-энтропии распределения модели Q относительно распределения данных P — то есть минимизации прямой кросс-энтропии, что эквивалентно методу максимального правдоподобия (MLE). Мы наблюдали, что модели, обученные таким образом, могут "чрезмерно обобщать", в том смысле, что они генерируют текст, не похожий на человеческий. Более того, мы считаем, что обратная кросс-энтропия, то есть кросс-энтропия P относительно Q, лучше отражает то, как человек оценивал бы текст, сгенерированный моделью. Поэтому мы предлагаем обучение с использованием MixCE — целевой функции, которая комбинирует прямую и обратную кросс-энтропии. Мы оцениваем модели, обученные с этой целевой функцией, на синтетических данных (где P известно) и реальных данных, и показываем, что полученные модели генерируют более качественный текст без использования сложных стратегий декодирования. Наш код и модели доступны по адресу 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