Scheda modello IBM slate-30m-english-rtrvr
Descrizione modello
Il modello slate.30m.english.rtrvr è un modello standard di trasformatori di frasi basato su bi-encoders. Il modello produce un'integrazione per un determinato input, ad esempio query, passaggio, documento e così via. Ad alto livello, il nostro modello è addestrato per massimizzare la somiglianza coseno tra due parti di testo di input, ad esempio il testo A (testo di query) e il testo B (testo di passaggio), che risultano nelle frasi di inserimento q e p. Questi incorporamenti di frasi possono quindi essere confrontati utilizzando la similarità coseno.
Figura 1. Modello di incorporazione Bi - encoder per Retrieval
Modello lingua base
Il modello lingua sottostante (LM) per le nostre integrazioni è slate.30m.english. Ha la stessa architettura di un modello di trasformatore di base small-RoBERTa (6 strati) e ha ~30 milioni di parametri e una dimensione di incorporamento di 384. In particolare, “slate.30m.english” è stato distillato da “slate.125m.english” (precedentemente, WatBERT). Il nostro modello finale si chiama “slate.30m.english.rtrvr” - notare il suffisso alla fine che indica che regoliamo l'architettura del modello sottostante per le attività basate sul richiamo.
Algoritmo di addestramento
La maggior parte dei modelli di incorporazione che sono all'avanguardia o in cima alla classifica MTEB sono in genere addestrati in 3 fasi:
- Pre - addestramento specifico dell'attività (basato sul richiamo)
- Ottimizzazione specifica dell'attività sulle coppie estratte
- Ottimizzazione su coppie supervisionate
Seguiamo un approccio simile, combinando le due fasi finali in un unico passo di messa a punto.
slate.30m.english.rtrvr viene prodotto distillando dal modello “slate.125m.english.rtrvr” nel passo di ottimizzazione. La distillazione della conoscenza trasferisce la conoscenza da un modello di insegnante ad alte prestazioni in un modello di studente più piccolo formando la distribuzione della probabilità di output dello studente in modo che corrisponda il più possibile a quella dell'insegnante, migliorando le prestazioni dello studente rispetto alla finetuning stand-alone.
Pre - formazione specifica del compito
Questo stage utilizza il framework RetroMAE , per rendere il nostro LM sottostante più orientato al richiamo. Inizializziamo il nostro LM base con slate.30m.english e continuiamo con il pre - training RetroMAE , utilizzando i dati della tabella 1. I nostri iper parametri sono: velocità di apprendimento: 2e-5, numero di passi: 435000, GPU: 8 A100 (80GB) GPU. Nota: questo è il nostro LM di base per le seguenti 2 fasi.
Distillazione con coppie non supervisionate e supervisionate
Utilizziamo un framework bi - encoder per la formazione di un modello di incorporazione, come in Figura 1. Inizializziamo con il modello pre - addestrato RetroMAE e utilizziamo ulteriormente Knowledge Distillazione con coppie di testo <query, passage><query, passage>
L'insegnante utilizzato per la distillazione è il "slate.125m.english.rtrvr” modello addestrato sugli stessi dati menzionati di seguito. L'insegnante viene formato utilizzando la fusione di modelli tra due modelli, ognuno dei quali utilizzava il pretraining e il finetuning RetroMAE , ma differendo nei dati di finetuning. Per ulteriori dettagli, fare riferimento alla scheda modello per slate.125m.english.rtrvr. Il flusso del trasferimento di conoscenze è illustrato pittoricamente nella figura 2.
Figura 2. Distillazione della conoscenza
Si estraggono coppie su larga scala da vari domini, come indicato nella sezione Training Data. Inoltre, includiamo anche coppie di alta qualità per il compito di recupero sui seguenti set di dati: SQuAD, coppie Natural Questions, Specter, Stack Exchange (Title, Body), S2ORC, SearchQA, HotpotQA e Fever. Gli iperparametri di distillazione sono: learning rate:7e-4, number of steps: 400000, effective batch size: 2048, GPU: 2 GPU A100_80GB .
Dati di formazione
| Dataset | Passages |
|---|---|
| Wikipedia | 36396918 |
| Corpus di libri | 3401308 |
| Scambio stack | 15999837 |
| Dataset | Coppie |
|---|---|
| Triplette di citazione SPECTER | 684100 |
| Domande duplicate (titoli) | 304525 |
| AllNLI (SNLI e MultiNLI) | 277230 |
| Domande duplicate (corpi) | 250519 |
| Domande duplicate (titoli + corpi) | 250460 |
| Domande naturali (NQ) | 100231 |
| SQuAD2.0 | 87599 |
| Coppie PAQ (Domanda, Risposta) | 64371441 |
| Coppie di scambio stack (titolo, risposta) | 4067139 |
| Coppie di scambio stack (titolo, corpo) | 23978013 |
| Coppie di scambio stack (titolo + corpo, risposta) | 187195 |
| S2ORC Coppie di citazione (Titoli) | 52603982 |
| S2ORC (Titolo, Estratto) | 41769185 |
| S2ORC_citations_abstracts | 52603982 |
| WikiAnswers Duplica coppie di domande | 77427422 |
| SearchQA | 582261 |
| HotpotQA | 85000 |
| Febbre | 109810 |
| Arxiv | 2358545 |
| Wikipedia | 20745403 |
| PubMed | 20000000 |
Utilizzo
# Make sure the sentence transformers is installed.
pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer, util
model = SentenceTransformer('path_to_slate_model')
input_queries = [
'Who made the son My achy breaky heart ?',
'summit define']
input_passages = [
"Achy Breaky Heart is a country song written by Don Von Tress. Originally titled Don't Tell My Heart and performed by The Marcy Brothers in 1991",
"Definition of summit for English Language Learners. : 1 the highest point of a mountain : the top of a mountain. : 2 the highest level. : 3 a meeting or series of meetings between the leaders of two or more governments."]
query_embeddings = model.encode(input_queries)
passage_embeddings = model.encode(input_passages)
print(util.cos_sim(query_embeddings, passage_embeddings))
La lunghezza massima della sequenza di questo modello è 512 token.
Valutazione
Baseline
Per un confronto equo, si confronta con le seguenti linee di base:
- BM25 (un modello tradizionale basato su tf-idf).
- ELSER (un algoritmo di ricerca commerciale fornito da Elastic).
- all-MiniLM-l6-v2: : un popolare modello di trasformatori di frasi open-source. Questo modello condivide la stessa architettura di slate.125m.english.rtvr, con una dimensione di inserimento più piccola (384) ed è stato addestrato su più dati senza licenze commerciali. Per maggiori dettagli, consultare la scheda del modello Hugging Facehttps://huggingface.co/sentence-transformers/all-MiniLM-L6-v2.
- E5-base: un recente modello di trasformatore open source con prestazioni molto buone sul benchmark BEIR. Questo è un modello di base, che ha la stessa architettura di slate.125m.english.rtvr. [ Riferimento: Wang et.al., 2022: Incorporazioni di testo da pre - allenamento contrastivo debolmente supervisionato]. Scheda modello Huggingface (https://huggingface.co/intfloat/e5-base).
- E5-small: un modello più piccolo all'interno della famiglia E5 open source. La dimensione di incorporazione di questo modello corrisponde a quella di all-minilm-l6-v2 (384), tuttavia ha 12 livelli e quindi è più grande e leggermente più lento. [ Riferimento: Wang et.al., 2022: Incorporazioni di testo da pre - allenamento contrastivo debolmente supervisionato]. Scheda modello Huggingface (https://huggingface.co/intfloat/e5-small).
- BGE - base: un recente modello di trasformatore open-source con le migliori prestazioni sul benchmark BEIR per la dimensione di inserimento 768 (a partire da 01.20.2024). Scheda modello Huggingface (https://huggingface.co/BAAI/bge-base-en-v1.5).
Il nostro benchmark di valutazione: BEIR (scheda di recupero di MTEB)
Il benchmark BEIR contiene 15 attività di recupero open-source valutate con un'impostazione zero - shot. BEIR si è concentrata sulla diversità, includendo nove diverse attività di recupero: controllo dei fatti, previsione delle citazioni, recupero delle domande duplicate, recupero degli argomenti, recupero delle notizie, risposta alle domande, recupero dei tweet, IR biomedico e recupero delle entità. Inoltre, include dataset provenienti da diversi domini di testo, dataset che coprono argomenti ampi (come Wikipedia) e argomenti specializzati (come pubblicazioni COVID-19 ), diversi tipi di testo (articoli di notizie e tweet), dataset di varie dimensioni (documenti3.6k - 15M ) e dataset con lunghezze di query differenti (lunghezza media di query tra 3 e 192 parole) e lunghezze di documenti (lunghezza media di documenti tra 11 e 635 parole). BEIR utilizza la metrica Guadagno sconto cumulativo normalizzato (in particolare, nDCG@10) per la valutazione.
NQ lunga
Long NQ è un dataset IBM progettato per valutare la pipeline RAG completa, basata su un sottoinsieme del dataset NaturalQuestions . Il set di sviluppo ha 300 domande con un corpus di 178.891 passaggi da 2.345 documenti Wikipedia. Long NQ fornisce anche passaggi di Wikipedia in oro che sono rilevanti per ogni domanda. Durante il recupero, il compito è quello di ottenere il passaggio d'oro pertinente dal corpus per ogni domanda.
Risultati
| Modello | BEIR-15 (NDCG@10) |
|---|---|
| BM25 | 42.02 |
| ELSER | 49.01 |
| all-miniLM-L6-v2 | 41.95 |
| ES - piccolo | 46.01 |
| ES - base | 48.75 |
| BGE - base | 53.25 |
| slate.30m.english.rtrvr | 49.37 |
| slate.30m.english.rtrvr | 46.91 |
Figura 3 Confronto delle prestazioni sul benchmark BEIR (scheda recupero MTEB)
| Modello | LONGNQ (NDCG@10) |
|---|---|
| all-miniLM-L6-v2 | 58.10 |
| ES - piccolo | 66.87 |
| ES - base | 63.95 |
| BGE - base | 61.29 |
| slate.30m.english.rtrvr | 65.01 |
| slate.30m.english.rtrvr | 59.94 |
Figura 4. Confronto delle prestazioni sul dataset NQ lungo
Prestazioni runtime
Il runtime delle prestazioni viene misurato su un'attività di riclassificazione con 466 query. Per ogni query, vengono nuovamente classificati i top-100 passaggi ottenuti da BM25 e viene riportato il tempo medio su tutte le query. La nuova classificazione è stata eseguita su una GPU A100_40GB .
| Modello | Ora / query |
|---|---|
| all-miniLM-L6-v2 | 0.18 sec |
| E5-small | 0.33 sec |
| E5-base | 0.75 sec |
| BGE - base | 0.75 sec |
| slate.125m.english.rtrvr | 0.71 sec |
| slate.30m.english.rtrvr | 0.20 sec |