Exposure bias

Exposure bias je nesúlad pri sekvenčných modeloch, keď tréning používa správne predchádzajúce tokeny, ale pri generovaní musí model nadväzovať na vlastné možné chyby.

Použitie závisí od konkrétnej úlohy a očakávaného výsledku. V praxi treba určiť príčinu, dopad, signály včasného odhalenia, vlastníka nápravy a bezpečný náhradný postup.

Overenie sa robí na reprezentatívnych dátach alebo scenároch, voči jasnej porovnávacej základni a pomocou metrík zodpovedajúcich reálnemu cieľu. Kontrola má zahŕňať aj hraničné prípady, neistotu a prevádzkové náklady.

Rizikom je neskoré odhalenie, nejasný dopad a chýbajúci postup nápravy. Potrebné sú merateľné signály, vlastník incidentu, limit zásahu a bezpečný náhradný režim.

Exposure bias sa od pojmov Gradient explosion, Gradient vanishing, Data leakage odlišuje funkciou, vstupmi, spôsobom výpočtu a účelom výsledku. Súvisiace pojmy môžu spolupracovať, nie sú však automaticky zameniteľné.