大型语言模型(LLM)在大型多类分类任务中表现出色,但仍然存在分类错误,甚至生成了词汇表外的类别标签。
为了解决这些问题,提出了一种称为“Paraphrase and AGgregate (PAG)-LLM”的方法:
- LLM生成输入查询的多个释义(平行查询)
- 对原始查询和每个释义执行多类分类
- 根据置信度分数聚合所有分类标签
该方法特别适用于LLM不确定的困难示例,可以减少关键的误分类和幻觉标签生成错误。
左侧的图展示了PAG-LLM的流程。在Figure 1(A)中,LLM对原始查询进行分类,只有当分类置信度低于阈值τ时,原始查询才会被提供给LLM以生成释义,这些释义随后再次被提供给 LLM进行分类。最后,LLM聚合来自释义和原始查询的预测类别标签。
展示了来自CLINC的示例,其中LLM分类了错误的标签(顶部示例)和词汇表外(OOV)类别标签(底部示例)。在顶部示例中,由PAG-LLM生成的释义使得可以做出正确的分类决策,并具有高置信度分数。因此,即使是简单的多数投票聚合也会导致正确的类别预测。在底部示例中,只有PAG-LLM生成的释义2能够正确分类,而其余的释义和原始查询则有OOV类别标签。PAG-LLM聚合了输入文本、释义、它们的标签和置信度,最终预测正确的类别标签。
- 两个大型多类分类数据集上评估了PAG-LLM:CLINC和Banking,并分别展示了**22.7%和15.1%**的错误减少。
在领域内(ID)CLINC 和 Banking(50%) 数据集上的性能。也在自一致性运行中使用了相同的微调(SFT)LLaMa-7B(第2行和第3行)。“Rand-seed” 表示使用不同随机种子训练的 6 个不同的 SFT LLaMa 的集成。“Vote” 表示采用多数投票策略来选择最终标签。对于第 6 行和第 8 行,在开发数据上调整了置信度阈值(对于 CLINC 和 Banking 分别表示为 τ=0.98 和 0.90),并且只有分类置信度较低的查询被提供给 PAG-LLM。最佳数字以粗体显示。P1、P2、P3、P4 代表来自先前工作的 4 个上下文学习(ICL)基线。
- PAG-LLM在减少**词汇表外(OOV)**类别标签生成错误方面特别有效。
在 CLINC 和 Banking(50%) 的整体测试数据集(包括领域内 ID 和领域外 OOD 输入)上的性能。符号与上表中的相同。“All F1” 表示所有 ID + 1 个 OOD 类别的宏观 F1 分数(即,对于 CLINC 是 151 个类别,对于银行是 38 个类别)。“Avg” 表示 ID 和 OOD F1 分数的平均值。
https://arxiv.org/pdf/2406.17163
Paraphrase and Aggregate with Large Language Models for Minimizing Intent Classification Errors
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
![](https://img-blog.csdnimg.cn/img_convert/a69e1eaf1401ec5f049d69d4f2cbd254.png)