Laplace smoothing for EMA codebook update
@ayushdebnath012 ci sta già lavorando.
Dal 18/9/2025.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 30/100
- Tipo di issue
- Bug
- Chiarezza
- Da chiarire
- Stato di attività
- Ferma
- Stack tecnologico
- python, tensorflow
- Ambito
- machine-learning
Direzione di ricerca
La issue indica sonnet/src/nets/vqvae.py; inizia tracciando il modo in cui le dimensioni dei cluster smussate con Laplace passano attraverso l’aggiornamento del codebook tramite EMA e la normalizzazione degli embedding. Non sono indicati né un test né una modifica concreta, quindi sarebbe necessario stabilire il comportamento previsto e un modo per convalidare qualsiasi effetto sulla perplessità prima di definire quando il lavoro può considerarsi completato.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Hi,
I understand that to calculate the normalized weights for the embeddings we divide by the Laplace smoothed cluster sizes as seen in the code here.
However, for the embeddings whose cluster sizes are zero, the Laplace smoothing replaces it with a very small value (some function of epsilon). When these updated cluster sizes are used to normalize (by dividing the running ema_dw with the updated cluster size) and update the embeddings, the corresponding embeddings with zero cluster sizes are updated to a very high value. These updated embeddings then have an ever lower probability of being chosen in the future.
Is my understanding of this issue correct or am I missing something? If this is indeed correct is there a way to mitigate this to have a higher perplexity score?
Thanks!
- Lingua principale
- Python
- Stelle
- 10k
- Fork
- 1.3k
- Merge medio
- 50m
- PR unite (30g)
- 1
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Nessun modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di google-deepmind/sonnet
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
google-deepmind/sonnet#323 ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
google-deepmind/sonnet#271 · 10 commenti ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 30/100
google-deepmind/sonnet#265 ·
-
Issues using SonnetAperta
Difficoltà 4/5 3-5 giorni Idoneità per principianti 25/100
google-deepmind/sonnet#261 · 3 commenti ·
-
Difficoltà 5/5 Più di una settimana Idoneità per principianti 20/100
google-deepmind/sonnet#257 · 2 commenti ·
Tutte le issue di google-deepmind/sonnet
Issue simili
-
needs-triage
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
flashinfer-ai/flashinfer#9803 ·
I maintainer di solito rispondono entro 1 giorno
-
bug frontend good first issue help wanted
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
oscarbol09/thesisforge#61 ·
-
api bug performance
Difficoltà 2/5 1-3 ore Idoneità per principianti 82/100
oscarbol09/audiobard#159 ·
-
area:web p2 product:business triage:active type:bug
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 89/100
cuadrao-ai/argus#2328 ·
I maintainer di solito rispondono entro 1 giorno
-
bug frontend good first issue help wanted
Difficoltà 2/5 1-3 ore Idoneità per principianti 88/100
nikhilb2/simple_invoicing#907 ·