type
status
slug
summary
tags
category
password
date
icon
根据O1使用的五个数据集构建OOD数据集，采用DyVal算法，可以按照以下步骤进行：
- 识别原始数据集：确认五个原始数据集的特点和分布，例如它们的领域、标签和样本特征。
- 确定OOD目标：针对每个原始数据集，定义OOD数据集的构建目标。例如，考虑不同的领域、任务或样本类型，以确保OOD样本与原始数据集具有显著差异。
- 数据生成策略：
- 数据增强：使用图像变换、文本重组等技术，生成多样化的样本。
- 引入噪声：在输入数据中添加噪声或变形，模拟真实世界中可能遇到的干扰。
- 转移学习：使用在其他领域或任务上训练的模型，生成新样本。
- 使用DyVal算法：
- 利用DyVal算法的动态评估机制，生成OOD样本。通过调整模型的推理过程，识别在OOD任务中表现不佳的区域。
- 依据生成的样本进行模型的适应性训练，以增强模型的OOD robustness。
- 评估和迭代：
- 对构建的OOD数据集进行性能评估，使用模型在OOD样本上的准确率、召回率等指标。
- 根据评估结果，调整数据生成策略，反复优化直到达到预期的OOD robustness。
OOD数据集（Out-of-Distribution Dataset）是指与模型训练过程中所使用的数据分布不同的数据集。这类数据集用于评估模型在面对未见过的样本时的性能和鲁棒性。具体特点包括：
- 分布差异：OOD数据集的统计特性、样本类型或标签分布与训练数据显著不同。
- 应用场景：OOD数据集通常用于测试模型在真实世界应用中的泛化能力，特别是在不确定性和变化环境下。
- 挑战性：这些数据集可以包含噪声、干扰或极端情况，帮助识别模型的弱点。
使用OOD数据集可以有效评估和提升模型的鲁棒性，确保其在实际应用中具有可靠的性能。
采用的数据集
MMLU
1. 用于解释和评估代理的提示。
promptbench.mpaParaphraserAgent, EvaluatorAgent共同构成一个管道
- 数据格式取决于不同释义规则的提示和预处理函数。（例如，上面加载的 ParaphraserBasicInputProcess）
from promptbench.mpa import ParaphraserBasicInputProcess, ParaphraserQuestionOutputProcess, \ ParaphraserChoicesOutputProcess- 整个的workflow
Add context to the question
b.
Paraphrase the choicesc.
Add a new choiced.
基于DYVAL2进行相应的数据合成：
MPA包含两种类型的代理：
ParaphraserAgent和EvaluatorAgent。ParaphraserAgent用于生成给定评估数据的释义，而EvaluatorAgent用于评估生成的释义是否满足某些条件。prompts
'mmlu': "Here is a question about {task}:\n\n{question}\n\n{choices}\n\nChoose the correct answer and explain why. Please include your answer into <<<>>>. For example, if you choose A, please write <<<A>>>.",- 作者:fufu酱
- 链接:https://csfufu.life/article/5af65ef4-af8f-4073-b7e6-84aff54c8748
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章