Autonomous Drifting with 3 Minutes of Data via Learned Tire Models

совместить физику шин с нейронками для решения диффуров чтобы научиться за 3 минуты дрифтить со скоростью 70 км/ч? - Да!

вообще идея супер интересная и не особо понятная, пока не попытаешься самому такое заимплементить

поскольку такая концепция автономной тачки дрифтующей сама по себе сложная по моделированию, ибо углы/скорости скольжения, вращения колес, крутящие моменты, комбинированные режимы скольжения и остальное так просто не засунуть в нейронку, то требуется сперва сделать физ модель, которую можно будет аппроксимировать нейронкой

почему же решили прикрутить Neural Ordinary Differential Equations? как я понял, основная идея в том, чтобы иметь возможность предиктить точки перегиба относительно моделирования скольжения, при том чтобы свойства выпуклости/вогнутости действительно сохранялись, а силы, которые действуют на тачку, уже далее можно получить из интегрирования + идет введение ограничений на максимальную амплитуду силы, чтобы не убирать из уравнения действие трения

сложно-сложно, но прикольно. к тому же у них и с этим сетапом завелось не так, как они хотели, потому они ограничивают семейство решений на то, что называется ExpTanh, чтобы в лишний раз не интегрировать ниче в пайплайне

что в итоге? достаточно 3 минуты подрифтить на тачке, чтобы затем на несколько секунд (как уверяют авторы) модель хорошо зафиттилась. вызывает правда вопросы, как такое расширить на онлайн лернинг сетап (ибо силы начинают со временем по-другому действовать на шины в силу изнашиваемости), но наверное что-то не менее легкое придумать можно

👀LINK

Learning Compressed Transforms with Low Displacement Rank

rizzearch throwback

как говорится, хочешь понять человека - прочитай все его папиры в хронологическом порядке. а такого человека-феномена как Три Дао, по нашему мнению, стоит понимать (хотя бы чуть-чуть)

еще до того, как появилась лора, ≥5 лет назад низкоранговые матрицы все равно использовали в дип лернинге. например, для придания какой-то инвариантности или снижения количества параметров. суть еще в том, что такие веса были фиксированы. но данная папира решила это пересмотреть и сделать их обучаемыми, а точнее сделать обучаемыми веса в контексте low displacement rank (определение на первом скриншоте)

so, для этого им пришлось нехило попотеть - моделируют классическую dense матрицу весов при помощи четырех низкоранговых (две из которых тридиагональны или субдиагональны), а matrix-vector product операции производят через связь с матрицами Крылова и свой инференс (с куда кернелами) в “почти линейное время” + не забыли это все приправить теорией о том, что это ускоряет обучение и можно впихивать меньше данных (и даже VC дименшн связан)

экспериментят с млп, свертками и рнн ⇒ количество параметров снижается в несколько раз, а качество качество ухудшается ненамного (утверждают даже, что может при 20-ти кратном снижении кол-ва параметров есть улучшение в перформансе, но это на игрушечной таске)

но почему это не вошло в повсеместное использование? уже тогда появлялись фаундейшн модели, которые обучались и без этой махинации, от которых было удобнее отталкиваться попытке ужать модели при помощи дистилляции и квантизации. но это только наше мнение, если же есть такая задача, где надо с нуля сделать модель с жестким ограничением по количеству параметров, то (возможно) этот метод имеет место быть

👀LINK

Many-Shot In-Context Learning

дипмаинды провели оч много компьюта в попытке улучшить ин-контекст способности (своей модели гемини 1.5, благо она пробила челлендж в 1 миллион токенов контекста)

что же придумали? давайте просто повысим количество ин-контекст примеров и посмотрим, насколько все улучшится. улучшение есть? - конечно, что и должно быть интуитивно понятно, только хотелось бы еще более-менее узнать зависимость результата от количества ин-контекст примеров

но и кстати не всегда эта интуиция работает - на математике, например, результат может ухудшиться

но в чем может быть загвоздка? human-like супервайзд примеры не так-то просто собрать, потому что по сути это экспертные данные ⇒ давайте попробуем что-то вроде рейнфорса и ансупервайзд подхода

- рейнфорс подход: заставим модель саму отвечать на ин-контекст запросы, и оставлять те, на которые она ответила правильно (потому что порой в домене от человека намного легче спросить, правилен ли ответ модели, нежели попросить сделать экспертную разметку самому - по крайней мере такое преподают авторы)
- ансупервайзд подход: давайте просто в качестве ин-контекст примеров подавать семплы без ответов

прирост в большей степени, по результатам авторов, дает ансупервайзд подход, чем рейнфорс (но оба довольно сильно отстают от супервайзд подхода). но не стоит забывать, что так же по их результатам и гемини лучше перформит, чем гпт4 и claude (что может быть правдой, но так же и поводом для скепсиса)

энивей, это статья, которая эмпирически подтвердила интуицию о повышении ин-контекст примеров + показала интересный ансупервайзд подход + упомянула, что снижение лосса не коррелирует с появлением ин-контекст способностей ллм (о чем уже писали здесь)

👀LINK

HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution

проблема ооооочень длинного контекста встречается в том числе и в задачах биологии, а именно в задаче геномике. например, геном человека состоит из 3.2 миллиардов нуклеотидов (это такие буковки-азотистые основания A C G T, называемые аденином цитозином и тд). в таких сценариях использовать аттеншн из-под коробки не айс

тогда стали как и в классическом нлп делать БПЕ токенизацию - отходим от single-character подхода и на основе частоты соединяем подпоследовательности. но это чревато потерей информации на уровне одного нуклеотида, который имеет серьезный вес для геномики

но как может решить проблему лаборатория Christopher’a Ré? - конечно же, при помощи не трансформера, а например hyena, субквадратичная по длине и (вроде) хорошая по генерализации архитектура, которая может здесь принимать вплоть до миллиона токенов контекста

получили фаундейшн модель для геномики (и не только), которая обрабатывает последовательность на уровне нуклеотидов (а не токенов, которые состоят из нескольких) + она намного меньше существующих моделей + обыгрывает на многих датасетах + вроде удобнее тюнить в виде софт промптинга (вставлять в качестве промпта обучаемые токены для даунстрим задачи, снижаем чуть уровень сек лена, но фризим основную модель

еще из интересного можно подметить то, что они не сразу обучали на такой длинной последовательности, а периодически увеличивали сек лен во время обучения в 2 раза, начиная 64 (и расширились до миллиона) → some sort of warmup

интересно посмотреть, как себя будет вести гиена на гораздо бОльшем скейле модели

👀LINK

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

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