All learning paths Learn See Try Make మీతో మరియు ఇతరులతో సुसంగతంగా ఉండండి What this lesson is about ఒకే అంశం ఎలా పెద్ద బ్యాచ్లో మారుతుందో చూడండి. మార్పు డేటాకు చేరకముందే మీను తిరిగి సరిచేసుకోండి.
దీర్ఘ బ్యాచ్ చివరి రోజున మీరు ప్రారంభంలో గుర్తించిన అంశాన్ని మళ్లీ తెరిచారు. ఇప్పుడు మీరు దాన్ని వేరుగా గుర్తిస్తారు. ఇప్పుడు ఏమి చేయాలి?
A ఒక అంశం మొత్తం బ్యాచ్ను మార్చలేకపోయే కారణంగా రెండింటినీ అలాగే ఉంచండి. B ఒకే అంశం సోమవారం మరియు శుక్రవారం ఒకే లేబుల్ పొందాలి. C తిరిగి వెళ్ళి మొదటి నుండి ప్రతి అంశాన్ని ఇప్పుడు మీరు చదివిన విధంగా మార్చండి.
Check my recall Why this matters ఒకే ఇన్పుట్ మొదటి రోజు మరియు చివరి రోజున ఒకే లేబుల్ పొందాలి. మార్పు మౌనంగా జరుగుతుంది, అందుకే అది లంగర్స్ ద్వారా పట్టబడుతుంది, జాగ్రత్తగా చేస్తున్నానని భావించడం ద్వారా కాదు.
పెద్ద బ్యాచ్లో మీ స్వంత మార్పును గమనించి, అది డేటాకు చేరకముందే మళ్లీ సరిచేసుకోండి.
ఒకే ఇన్పుట్ మొదటి రోజు మరియు చివరి రోజున ఒకే లేబుల్ పొందాలి. మార్పు మౌనంగా జరుగుతుంది, అందుకే అది లంగర్స్ ద్వారా పట్టబడుతుంది, జాగ్రత్తగా చేస్తున్నానని భావించడం ద్వారా కాదు.
ఒకే అంశం సోమవారం మరియు శుక్రవారం ఒకే లేబుల్ పొందాలి. ప్రతి సారి కూర్చునే ముందు మీ స్థిరమైన ఉదాహరణలను మళ్లీ చదవండి, మొదటి రోజే కాదు. మీరు పాత నిర్ణయాన్ని మార్చినప్పుడు, ఏమి మారిందో మరియు ఎందుకు అనేదాన్ని నమోదు చేయండి. Task మీరు మరియు మరొక సమీక్షకుడు అదే నలభై సమాధానాలను పూర్తి లేదా అసంపూర్ణంగా గుర్తించారు. ఒక నిర్దిష్ట వాస్తవాల జాబితా దీనిని నిర్ణయిస్తుంది.
Weak approach మీ ఇద్దరూ ఎక్కడ సరిపోయారో లెక్కిస్తారు: నలభైలో ముప్పై రెండు. బ్యాచ్తో సహా అంగీకార సంఖ్యగా శాతం 80 పంపుతుంది. మీరు ఇద్దరూ ఎంతసార్లు పూర్తి అని చెప్పారు అనేది ఎప్పుడూ చూడదు.
Stronger approach అవకాశాన్ని తీసివేసి నివేదిస్తుంది. మీరు 40లో 32 సార్లు సరిపోయారు, అంటే 0.80. మీరు ఇద్దరూ 32 సార్లు పూర్తి అని గుర్తించారు. కేవలం అవకాశంతో 0.8 x 0.8 ప్లస్ 0.2 x 0.2 అంటే 0.68 వస్తుంది. కోహెన్ కప్పా 0.80 నుండి 0.68 తీసి, 1 నుండి 0.68 తీసిన దానితో భాగిస్తే: 0.38. 0.38, 40 లెక్క, మరియు మీరు ఇద్దరూ ఉపయోగించిన నిర్దిష్ట ఉదాహరణలను పంపుతుంది.
Why the stronger approach works శాతం 80 అంగీకారంగా అనిపిస్తుంది. మీరు ఇద్దరూ ఐదులో నాలుగు పూర్తి అని పిలిచిన బ్యాచ్లో, ఎక్కువ భాగం అవకాశమే. మిగిలేది 0.38 మాత్రమే.
Try a changed situation మీరు ఇప్పుడు మూడు సాయంత్రాల్లో పాఠశాల సమాధాన పత్రాలను మార్క్ చేస్తున్నారు. ఏ నియమం ఇంకా వర్తిస్తుంది?
Make something yourself మీరు తరచుగా చేసే పనికి మూడు స్థిరమైన ఉదాహరణలు రాయండి: ఒక స్పష్టమైన పాస్, ఒక స్పష్టమైన ఫెయిల్, మరియు మీరు నిర్ణయించిన చదువుతో ఒక సరిహద్దు కేసు.
Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant (arXiv)