Embedding And Clustering Your Data Can Improve Contrastive Pretraining

要約

テキスト埋め込みドメインにおける大規模な対比事前トレーニングに関する最近の研究では、混合ソース ミニバッチではなく単一ソース ミニバッチを使用すると、モデル全体の精度が大幅に向上することが示されています。
この研究では、事前トレーニング済みテキスト埋め込みモデルと古典的な K 平均法クラスタリング アルゴリズムを活用して、各ソース内のセマンティック クラスターごとにトレーニング データをさらに分割することで、ソースの粒度を超えてトレーニング データの層別化を拡張することを検討します。
実験的には、MSMARCO パッセージ検索データセットからのクエリとパッセージのペアで BERT ベースのテキスト埋め込みモデルを事前トレーニングすると、NDCG@10 の顕著な増加が観察されます。
さらに、私たちのクラスタリング アプローチを、TAS-B 手法のトピック アウェア サンプリング (TAS) の側面と、ANCE 手法の最近傍ベースのハードネガティブ マイニングの側面の両方に概念的に接続し、この統一されたビューがどのように将来のラインを動機づけるかについて説明します。
対照的な事前学習データの構成に関する研究。

要約(オリジナル)

Recent studies of large-scale contrastive pretraining in the text embedding domain show that using single-source minibatches, rather than mixed-source minibatches, can substantially improve overall model accuracy. In this work, we explore extending training data stratification beyond source granularity by leveraging a pretrained text embedding model and the classic k-means clustering algorithm to further split training data apart by the semantic clusters within each source. Experimentally, we observe a notable increase in NDCG@10 when pretraining a BERT-based text embedding model on query-passage pairs from the MSMARCO passage retrieval dataset. Additionally, we conceptually connect our clustering approach to both the Topic Aware Sampling (TAS) aspect of the TAS-B methodology and the nearest-neighbor-based hard-negative mining aspect of the ANCE methodology and discuss how this unified view motivates future lines of research on the organization of contrastive pretraining data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google