知识卡片

普通读书笔记卡 · 9553.k · 生成模型:DeepSeek-V4.1-Flash

下游指标检验特征质量

理解等级:初级

自监督预训练没有标签,无法用准确率直接衡量,对比学习的效果只能靠下游指标检验。常见做法有两条。

其一是分类:把预训练编码器接到分类头上,在标注数据上训练并报告训练与验证准确率,看特征是否容易被线性区分。示例中分类准确率从 56% 升到 78%,验证准确率同步上升,说明特征确实可用而非过拟合。

其二是聚类与可视化:对嵌入向量降维后画散点图,观察同类样本是否聚成一团、不同类是否分离。示例用 t-SNE 展示聚类结果,同类数据在嵌入空间中形成较紧的簇,作为特征判别性的直观证据。

两条路径的共同逻辑是:预训练损失只反映”正负样本对是否被正确排布”,不直接反映语义质量,损失下降也可能来自退化解。因此评估时应同时看损失曲线与下游表现——若损失持续下降而下游指标停滞,往往说明增强策略或负样本构成有问题。参见 [[SimCLR的四个组件]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 对比学习与对抗训练 · 查看原书依据

      对比学习在分类和聚类任务中的表现主要体现在其独特的特征学习能力上。通过构建正负样本对,对比学习方法能够有效地提取高维数据的潜在特征,并在多样化的数据集上进行自监督预训练。在分类任务中,通过对比学习获得的特征能够提高分类精度;而在聚类任务中,能够更好地将相似的数据分组在一起。

    参考来源

    - 位置:《从零构建大模型:算法、训练与微调》第8章《对比学习与对抗训练》(源文件:extracted/从零构建大模型:算法、训练与微调/_epub-src/EPUB/xhtml/chapter012_0002.xhtml) - 结论依据:原文指出对比学习特征在分类任务中提高精度、在聚类任务中更好地把相似数据分组,并以准确率与 t-SNE 可视化呈现效果。 - 原始内容:对比学习在分类和聚类任务中的表现主要体现在其独特的特征学习能力上。通过构建正负样本对,对比学习方法能够有效地提取高维数据的潜在特征,并在多样化的数据集上进行自监督预训练。在分类任务中,通过对比学习获得的特征能够提高分类精度;而在聚类任务中,能够更好地将相似的数据分组在一起。