日日操夜夜添-日日操影院-日日草夜夜操-日日干干-精品一区二区三区波多野结衣-精品一区二区三区高清免费不卡

目標受眾

本文面向對大規模文檔去重感興趣，且對散列 (hashing) 、圖 (graph) 及文本處理有一定了解的讀者。

動機

老話說得好: 垃圾進，垃圾出 (garbage in, garbage out)，把數據處理干凈再輸入給模型至關重要，至少對大語言模型如此。雖然現在一些明星大模型 (嚴格來講，它們很多是 API) 的存在讓大家恍惚產生了數據質量好像不那么重要了的錯覺，但事實絕非如此。

在 BigScience 和 BigCode 項目中，在數據質量方面，我們面臨的一個很大的問題是數據重復，這不僅包括訓練集內的數據重復，還包括訓練集中包含測試基準中的數據從而造成了基準污染 (benchmark contamination)。已經有研究表明，當訓練集中存在較多重復數據時，模型傾向于逐字輸出訓練數據 [1] (這一現象在其他一些領域并不常見 [2])，而且訓得的模型也更容易遭受隱私攻擊 [1]。除了能避免上面兩個問題外，去重還有不少好處:

1. 讓訓練更高效: 你可以用更少的訓練步驟獲得相同的，甚至是更好的性能 [3] [4]。

2. 防止可能的數據泄漏和基準污染: 數據重復會損害你的模型性能報告的公信力，并可能讓所謂的改進淪為泡影。

3. 提高數據可得性。我們大多數人都負擔不起重復下載或傳輸數千 GB 文本的成本，更不用說由此帶來的額外訓練成本了。對數據集進行去重，能使其更易于學習、傳輸及協作。

從 BigScience 到 BigCode

我想先分享一個故事，故事主要講述我如何接受數據去重這一任務，過程如何，以及在此過程中我學到了什么。

一切開始于 LinkedIn 上的一次對話，當時 BigScience 已經開始幾個月了。Huu Nguyen 注意到我在 Github 上的一個小項目并找到了我，問我是否有興趣為 BigScience 做數據去重工作。我當然愿意了，盡管當時我完全沒意識到由于數據量巨大，這項工作比想象中麻煩很多。

這項工作既有趣又充滿挑戰。挑戰在于，我對處理如此大規模的數據并沒有太多經驗。但項目組的每個人仍然歡迎我、信任我，還給了我數千美元的云計算預算。有多少回，我不得不從睡夢中醒來，反復確認我是否關閉了那些云實例。我不停地在試驗和錯誤中學習，在此過程中，新的視角被打開了。如果沒有 BigScience，可能我永遠不會有這種視角。

一年后的今天，我正在把從 BigScience 學到的東西應用到 BigCode 項目中去，去處理更大的數據集。除了英語 [3] LLM 之外，我們已經再次證明數據去重也能改進代碼模型 [4] 的性能。有了數據去重，我們可以用更小的數據集達到更優的性能。現在，親愛的讀者，我想與你分享我學到的知識，希望你能透過數據去重的鏡頭一瞥 BigCode 項目的幕后故事。

下表列出了 BigScience 項目中各數據集使用的去重方法，以供參考:

數據集	輸入數據量	輸出數據尺寸或數據精簡比	去重粒度	方法	參數	語種	耗時
OpenWebText2[5]	對 URL 去重后: 193.89 GB（69M）	使用 MinHash LSH 后: 65.86 GB（17M）	URL + 文檔	URL（精確匹配）+ 文檔（MinHash LSH）		英語
Pile-CC[5]	~306 GB	227.12 GiB（~55M）	文檔	文檔（MinHash LSH）		英語	數天
BNE5[6]	2 TB	570 GB	文檔	Onion	5-元組	西班牙語
MassiveText[7]		0.001 TB ~ 2.1 TB	文檔	文檔（精確匹配 + MinHash LSH）		英語
CC100-XL[8]		0.01 GiB ~ 3324.45 GiB	URL + 段落	URL（精確匹配） + 段落（精確匹配）	SHA-1	多語種
C4[3]	806.92 GB (364M)	3.04% ~ 7.18% ↓（訓練集）	子字符串或文檔	子字符串（后綴數組）或文檔（MinHash）	后綴數組：50-詞元，MinHash:	英語
Real News[3]	~120 GiB	13.63% ~ 19.4% ↓（訓練集）	同 C4	同 C4	同 C4	英語
LM1B[3]	~4.40 GiB（30M）	0.76% ~ 4.86% ↓（訓練集）	同 C4	同 C4	同 C4	英語
WIKI40B[3]	~2.9M	0.39% ~ 2.76% ↓（訓練集）	同 C4	同 C4	同 C4	英語
BigScience ROOTS 語料集[9]		0.07% ~ 2.7% ↓(文檔) + 10.61% ~ 32.30% ↓(子字符串)	文檔 + 子字符串	文檔 (SimHash) + 子字符串 (后綴數組)	SimHash：6-元組，漢明距離（hamming distance）為 4，后綴數組：50-詞元	多語種	12 小時 ~ 數天

下表是我們在創建 BigCode 的訓練數據集 (訓練數據皆為代碼) 時所用的方法。這里，如果當遇到沒有名字的數據集時，我們就用模型名稱來代替。

模型	去重方法	參數	去重級別
InCoder[10]	精確匹配	代碼詞元/MD5 + 布隆濾波（Bloom filtering）	文檔
CodeGen[11]	精確匹配	SHA256	文檔
AlphaCode[12]	精確匹配	忽略空格	文檔
PolyCode[13]	精確匹配	SHA256	文檔
PaLM Coder[14]	Levenshtein 距離		文檔
CodeParrot[15]	MinHash + LSH		文檔
The Stack[16]	MinHash + LSH		文檔

MinHash + LSH 參數 :

1. 哈希函數的個數或排列的個數

2. Jaccard 相似度閾值

3. K- 元組

4. 條帶數

5. 每條帶包含的行數

我們做了一個簡單的演示程序來說明這些參數對結果的影響: MinHash 數學演示。

例解 MinHash

在本節中，我們將詳細介紹在 BigCode 中使用的 MinHash 方法的每個步驟，并討論該方法的系統擴展性問題及其解決方案。我們以一個含有三個英文文檔為例來演示整個工作流程:

doc_id	內容
0	Deduplication is so much fun!
1	Deduplication is so much fun and easy!
2	I wish spider dog[17] is a thing.

MinHash 的典型工作流程如下:

1. 詞袋生成 (生成 n- 元組) 及指紋生成 (生成 MinHash): 將每個文檔映射成一組哈希值。

2. 局部敏感哈希 (LSH): 逐條帶 (band) 的比較文檔的相似性，并將相似的文檔聚類以減少后續比較的次數。

3. 去重: 決定保留或刪除哪些重復文檔。

詞袋生成

與大多數文本應用一樣，我們需要先把文本表示成詞袋，這里我們通常使用 N- 元組詞袋。在本例中，我們使用以單詞為基本單元的 3- 元組 (即每 3 個連續單詞組成一個元組)，且不考慮標點符號。我們后面會回過頭來討論元組大小對性能的影響。

doc_id	3-元組
0	{"Deduplication is so", "is so much", "so much fun"}
1	{'so much fun', 'fun and easy', 'Deduplication is so', 'is so much'}
2	{'dog is a', 'is a thing', 'wish spider dog', 'spider dog is', 'I wish spider'}

這個操作的時間復雜度為 ，其中 表示文檔數，而 表示文檔長度。也就是說，時間復雜度與數據集大小呈線性關系。我們可以用多進程或分布式計算來并行化詞袋生成過程。

指紋計算

使用 MinHash 方法時，每個 N- 元組需要生成多個哈希值，此時我們通常要么 1) 使用不同的哈希函數進行多次哈希，要么 2) 使用一個哈希函數進行哈希后再進行多次重排。本例中，我們選擇第二種方法，重排生成 5 個哈希值。更多 MinHash 的變體可以參考 MinHash - 維基百科。

N-元組	哈希值
Deduplication is so	[403996643, 2764117407, 3550129378, 3548765886, 2353686061]
is so much	[3594692244, 3595617149, 1564558780, 2888962350, 432993166]
so much fun	[1556191985, 840529008, 1008110251, 3095214118, 3194813501]

對以上文檔哈希矩陣中的每一列取最小值 —— 即 “MinHash” 中的 “Min” 的題中之義，我們就能得到該文檔最終的 MinHash 值:

doc_id	MinHash
0	[403996643, 840529008, 1008110251, 2888962350, 432993166]
1	[403996643, 840529008, 1008110251, 1998729813, 432993166]
2	[166417565, 213933364, 1129612544, 1419614622, 1370935710]

從技術上講，雖然我們通常取最小值，但這并不代表我們一定要取每列的最小值。其他順序統計量也是可以的，例如最大值、第 k 個最小值或第 k 個最大值 [21]。

在具體實現時，我們可以使用 numpy 來對這些操作進行向量化。該操作的時間復雜度為 ，其中 是排列數。以下列出了我們的代碼，它是基于 Datasketch 的實現修改而得的。

defembed_func(

content: str,

idx: int,

*,

num_perm: int,

ngram_size: int,

hashranges: List[Tuple[int, int]],

permutations: np.ndarray,

) -> Dict[str, Any]:

a, b = permutations

masks: np.ndarray = np.full(shape=num_perm, dtype=np.uint64, fill_value=MAX_HASH)

tokens: Set[str] = { " ".join(t) fort inngrams(NON_ALPHA.split(content), ngram_size)}

hashvalues: np.ndarray = np.array([sha1_hash(token.encode( "utf-8")) fortoken intokens], dtype=np.uint64)

permuted_hashvalues = np.bitwise_and(

((hashvalues * np.tile(a, (len(hashvalues), 1)).T).T + b) % MERSENNE_PRIME, MAX_HASH

)

hashvalues = np.vstack([permuted_hashvalues, masks]).min(axis= 0)

Hs = [bytes(hashvalues[start:end].byteswap.data) forstart, end inhashranges]

return{ "__signatures__": Hs, "__id__": idx}

熟悉 Datasketch 的讀者可能會問，為什么我們要費心費力剝離 Datasketch 庫提供的所有高級功能？其主要原因并不是因為我們要減少依賴項，而是因為我們想要盡可能地榨取 CPU 的算力。而將多個步驟融合到一個函數中，是更好利用計算資源的手段之一。

由于每個文檔的計算互相獨立，因此我們可以充分利用 datasets 庫的 map 函數來實現并行化:

embedded = ds.map(

function=embed_func,

fn_kwargs={

"num_perm": args.num_perm,

"hashranges": HASH_RANGES,

"ngram_size": args.ngram,

"permutations": PERMUTATIONS,

},

input_columns=[args.column],

remove_columns=ds.column_names,

num_proc=os.cpu_count,

with_indices= True,

desc= "Fingerprinting...",

)

指紋計算完畢之后，每個文檔都被映射成了一個整數數組。為了弄清楚哪些文檔彼此相似，我們需要根據這些指紋對它們進行聚類。輪到 局部敏感哈希 (Locality Sensitive Hashing，LSH)閃亮登場了。

局部敏感哈希 (LSH)

LSH 將指紋數組按行分成若干個條帶 (band)，每個條帶的行數相同，如果遇到最后一個條帶行數不足，我們就直接忽略它。以條帶數 為例，每個條帶有 行，具體組織如下:

doc_id	MinHash	條帶
0	[403996643, 840529008, 1008110251, 2888962350, 432993166]	[0:[403996643, 840529008], 1:[1008110251, 2888962350]]
1	[403996643, 840529008, 1008110251, 1998729813, 432993166]	[0:[403996643, 840529008], 1:[1008110251, 1998729813]]
2	[166417565, 213933364, 1129612544, 1419614622, 1370935710]	[0:[166417565, 213933364], 1:[1129612544, 1419614622]]

若兩個文檔在某條帶上 MinHash 值相同，這兩個文檔就會被聚到同一個桶中備選。

條帶 ID	條帶值	doc_ids
0	[403996643, 840529008]	0, 1
1	[1008110251, 2888962350]	0
1	[1008110251, 1998729813]	1
0	[166417565, 213933364]	2
1	[1129612544, 1419614622]	2

遍歷 doc_ids 列的每一行，將其中的文檔兩兩配對就生成了候選對。上表中，我們能生成一個候選對: (0, 1) 。

候選對生成后 ……

很多數據去重的論文或教程講完上一節就結束了，但在實際項目中我們還涉及如何處理這些候選對的問題。通常，候選對生成后，我們有兩個選擇:

1. 由于 MinHash 只是一個近似，所以仍需計算兩個文檔的 N- 元組集合的交并比來算得準確的 Jaccard 相似性。此時，因為 LSH 已經幫我們過濾了不少，所以最終參與計算的候選對的量會大大減少。在 BigCode 項目中，我們起初就采用了這種做法，效果相當不錯。

2. 我們還可以直接認可 LSH 選出來的相似對。這里面可能會有個問題: Jaccard 相似性不具傳遞性，也就是說 相似于 且 相似于 ，并不意味著 相似于 。所以這里可能會有不少假陽性。通過在 The Stack 數據集上的實驗，我們發現，直接認可 LSH 選出來的相似對在很大程度上能提高下游模型的性能，同時還節省了處理時間和訓練時間。因此目前我們正慢慢開始轉向這種方法。但是，這個經驗并不是放之四海而皆準的，如果你準備在自己的數據集上仿效我們的做法，我們建議你在此之前好好檢查你的數據集及其特點，然后作出數據驅動的決策。

最后，我們可以用生成的相似文本對構建一個圖，在這個圖中，重復的文檔會被聚至同一個社區或同一個連通子圖中。不幸的是， datasets 在這方面幫不上什么忙，因為現在我們需要類似 groupby 的功能，以根據 條帶 ID 及 文檔在該條帶上的取值 對文檔進行聚類。下面列出了我們嘗試過的一些方案:

方案 1: 老辦法，迭代數據集以創建圖，然后用一個圖處理庫對其做社區檢測或者連通分量檢測。

我們測試下來，該方案的擴展性不怎么好，其原因是多方面的: 首先，整個數據集迭代起來很慢，而且內存消耗很大; 其次，諸如 graphtool 或.NETworkx 的市面上流行的圖處理庫創建圖的開銷較大。

方案 2: 使用流行的 Python/ target=_blank class=infotextkey>Python 框架 (如 dask ) 及其高效的 groupby 操作 。

但迭代慢和創建圖慢的問題仍然存在。

方案 3: 迭代數據集并使用并查集 (union find data structure) 對文檔進行聚類。

這個方案引入了一個很小的迭代開銷，對中等數據集的有不錯的效果不錯，但在大數據集上還是慢。

fortable intqdm(HASH_TABLES, dynamic_ncols= True, desc= "Clustering..."):

forcluster intable.values:

iflen(cluster) <= 1:

continue

idx = min(cluster)

forx incluster:

uf.union(x, idx)

方案 4: 對大數據集，使用 Spark。

我們已經知道到 LSH 的有些步驟是可以并行化的，我們可以用 Spark 來實現它們。Spark 的好處是，它開箱即支持分布式 groupBy ，而且也能很輕松地實現像 [18] 這樣的連通分量檢測算法。注意，這里我們并沒有使用 Spark 的原生 MinHash 實現，其原因是迄今為止我們所有的實驗都源于 Datasketch，而 Datasketch 的 MinHash 實現與 Spark 的原生實現完全不同。我們希望之前的經驗和教訓能幫助到后面的工作，而不是另起爐灶，進入另一個消融實驗的輪回，因此我們選擇在 Spark 中自己實現 Datasketch 的 MinHash 算法。

edges = (

records.flatMap(

lambdax: generate_hash_values(

content=x[ 1],

idx=x[ 0],

num_perm=args.num_perm,

ngram_size=args.ngram_size,

hashranges=HASH_RANGES,

permutations=PERMUTATIONS,

)

)

.groupBy( lambdax:(x[ 0], x[ 1]))

.flatMap( lambdax: generate_edges([i[ 2] fori inx[ 1]]))

.distinct

.cache

)

以下是基于 [18] 的簡單連通分量檢測算法的 Spark 實現。

a = edges

whileTrue:

b = a.flatMap(large_star_map).groupByKey.flatMap(large_star_reduce).distinct.cache

a = b.map(small_star_map).groupByKey.flatMap(small_star_reduce).distinct.cache

changes = a.subtract(b).union(b.subtract(a)).collect

iflen(changes) == 0:

break

results = a.collect

多虧了云計算提供商，我們可以使用 GCP DataProc 等服務輕松地搭建 一個 Spark 集群。 最終，我們把程序運行起來，只用了不到 4 小時就完成了 1.4 TB 數據的去重工作，每小時僅需 15 美元。

數據質量很重要

我們不可能爬著梯子登上月球。因此我們不僅要確保方向正確，還要確保方法正確。

早期，我們使用的參數主要來自 CodeParrot 的實驗，消融實驗表明這些參數確實提高了模型的下游性能 [16]。后來，我們開始沿著這條路進一步探索，由此進一步確認了以下結論 [4]:

1. 數據去重可以在縮小數據集 (6 TB VS. 3 TB) 規模的同時提高模型的下游性能

2. 雖然我們還沒有完全搞清楚其能力邊界及限制條件，但我們確實發現更激進的數據去重 (6 TB VS. 2.4 TB) 可以進一步提高性能，方法有:

3. 降低相似度閾值

4. 使用更長的元組 (如: 一元組 → 五元組)

5. 放棄誤報檢查，承受一小部分誤報帶來的數據損失

1- 元組時不同設置影響的小提琴圖

5- 元組時不同設置影響的小提琴圖 圖例: 上述兩幅圖展示了相似性閾值和元組大小帶來的影響，第一幅圖使用 1- 元組，第二幅圖使用 5- 元組。紅色虛線表示相似性閾值: 低于該值的文檔與同一簇中其他文檔的相似性低于閾值，我們將其視為誤報。

上面兩幅圖可以幫助我們理解為什么有必要仔細檢查 CodeParrot 以及早期版本的 The Stack 訓練數據上的誤報: 這是使用 1- 元組的誤報比例會很大; 上圖還表明，將元組大小增加到 5，誤報比例會顯著降低。如果想激進點去重的話，閾值可以設低點。

還有實驗表明，降低閾值會刪除更多包含部分相似內容的文檔，因此意味著提高了我們最想刪除的那部分文檔的查全率。

系統擴展性

Scaling results for dataset size and deduplication time 圖例: 數據去重時間與原始數據集規模的關系。測試基于 GCP 上的 15 個 c2d-standard-16 實例，每個實例每小時的成本約為 0.7 美元。

CPU usage screenshot for the cluster during processing JSON dataset 圖例: 集群在處理 JSON 數據集時的 CPU 使用率。

上述擴展性數據未必非常嚴格，但也足夠說明，在給定預算的情況下，數據去重耗時與數據集規模的關系應該是線性的。如果你仔細看一下處理 JSON 數據集 (The Stack 數據集的最大子集) 的集群資源使用情況，你會發現實際總計算時間 (圖中第 2 和第 3 階段) 主要都花在了 MinHash + LSH (圖中第 2 階段) 上，這與我們先前的分析一致，即第 2 階段 d 的時間復雜度為 — 與數據體量成線性關系。

謹慎行事

數據去完重并不意味著萬事大吉了，你仍然需要對數據進行徹底的探索和分析。此外，上文這些有關數據去重的發現來自于 The Stack 數據集，并不意味著它能無腦適用于其他數據集或語言。要構建一個好的訓練數據集，我們僅僅邁出了萬里長征的第一步，后面還有很多工作要做，例如數據質量過濾 (如過濾漏洞數據、毒性數據、偏見數據、模板生成的數據、個人身份數據等)。

我們還鼓勵你在訓練前像我們一樣對數據集進行徹底的分析，因為大家的情況可能各不相同。例如，如果你的時間和計算預算都很緊張，那么數據去重可能不是很有幫助: @geiping_2022 提到基于子字符串的數據去重并沒有提高他們模型的下游性能。在使用前，可能還需要對現存數據集進行徹底檢查，例如，@gao_2020 聲明他們只確保 Pile 本身及其子集都已去重，但不保證其與任何下游基準數據集沒有重復，要不要對 Pile 與下游基準數據集進行去重取決于使用者自己。

在數據泄露和基準污染方面，還有很多需要探索的地方。由于 HumanEval 也是 GitHub Python 存儲庫之一，我們不得不重新訓練了我們的代碼模型。早期的工作還發現，最流行的編碼基準之一的 MBPP[19] 與許多 Leetcode 問題有很多相似之處 (例如，MBPP 中的任務 601 基本上是 Leetcode 646，任務 604 ? Leetcode 151)。我們都知道 GitHub 中不乏很多編程挑戰賽題及其答案代碼。如果居心叵測的人把所有基準測試的 Python 代碼以不易察覺的方式上傳到 Github，污染你所有的訓練數據，這事兒就更難了。

后續方向

1. 子串去重。盡管在英語 [3] 上子串去重是有益的，但尚不清楚是否對代碼數據也有用;

2. 重復段落: 在一篇文檔中重復多次的段落。@rae_2021 分享了一些關于如何檢測和刪除它們的有趣的啟發式方法。

3. 使用模型嵌入進行語義級的去重。這是另外一套思路了，需要一整套去重、擴展性、成本、銷蝕等各方面的實驗和權衡。對此 [20] 提出了一些有趣的看法，但我們仍然需要更多實際證據才能得出結論 (其文本去重工作僅參考了 @lee_2022a 的工作，而 @lee_2022a 的主張主要是去重有作用而并未證明其效果達到了 SOTA)。

4. 優化。還有不少優化空間: 更好的質量評估標準、擴展性、對下游性能影響的分析等。

5. 換個角度: 對相似數據，去重到什么程度就會開始損害性能？需要保留多少相似數據以保留數據的多樣性又不至冗余？

致謝

題圖中的表情符 (Hugging Face、圣誕老人、文檔、巫師以及魔杖) 來自于 Noto Emoji (Apache 2.0)。我也莊嚴保證，這篇博文是我一個字一個字敲出來的，沒有使用任何文本生成 API。

非常感謝 Huu Nguyen(@Huu) 和 Hugo Laurençon(@HugoLaurencon) 在 BigScience 項目中的合作，以及 BigCode 項目中每個人一路上的幫助！如果你發現任何錯誤，請隨時聯系我: mouchenghao at gmAIl dot com。

更多資源

• Datasketch (MIT)

• simhash-py 及 simhash-cpp (MIT)

• Deduplicating Training Data Makes Language Models Better (Apache 2.0)

• Gaoya (MIT)

• BigScience (Apache 2.0)

• BigCode (Apache 2.0)

參考文獻

• [1] : Nikhil Kandpal, Eric Wallace, Colin Raffel, Deduplicating Training Data Mitigates Privacy Risks in Language Models, 2022

• [2] : Gowthami Somepalli, et al., Diffusion Art or Digital Forgery? Investigating Data Replication in Diffusion Models, 2022

• [3] : Katherine Lee, Daphne Ippolito, et al., Deduplicating Training Data Makes Language Models Better, 2022

• [4] : Loubna Ben Allal, Raymond Li, et al., SantaCoder: Don't reach for the stars!, 2023

• [5] : Leo Gao, Stella Biderman, et al., The Pile: An 800GB Dataset of Diverse Text for Language Modeling, 2020

• [6] : Asier Gutiérrez-Fandiño, Jordi Armengol-Estapé, et al., MarIA: Spanish Language Models, 2022

• [7] : Jack W. Rae, Sebastian Borgeaud, et al., Scaling Language Models: Methods, Analysis & Insights from Training Gopher, 2021

• [8] : Xi Victoria Lin, Todor Mihaylov, et al., Few-shot Learning with Multilingual Language Models, 2021

• [9] : Hugo Laurençon, Lucile Saulnier, et al., The BigScience ROOTS Corpus: A 1.6TB Composite Multilingual Dataset, 2022

• [10] : Daniel Fried, Armen Aghajanyan, et al., InCoder: A Generative Model for Code Infilling and Synthesis, 2022

• [11] : Erik Nijkamp, Bo Pang, et al., CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis, 2023

• [12] : Yujia Li, David Choi, et al., Competition-Level Code Generation with AlphaCode, 2022

• [13] : Frank F. Xu, Uri Alon, et al., A Systematic Evaluation of Large Language Models of Code, 2022

• [14] : Aakanksha Chowdhery, Sharan Narang, et al., PaLM: Scaling Language Modeling with Pathways, 2022

• [15] : Lewis Tunstall, Leandro von Werra, Thomas Wolf, Natural Language Processing with Transformers, Revised Edition, 2022

• [16] : Denis Kocetkov, Raymond Li, et al., The Stack: 3 TB of permissively licensed source code, 2022

• [17] : Rocky | Project Hail Mary Wiki | Fandom

• [18] : Raimondas Kiveris, Silvio Lattanzi, et al., Connected Components in MapReduce and Beyond, 2014

• [19] : Jacob Austin, Augustus Odena, et al., Program Synthesis with Large Language Models, 2021

• [20]: Amro Abbas, Kushal Tirumala, et al., SemDeDup: Data-efficient learning at web-scale through semantic deduplication, 2023

• [21]: Edith Cohen, MinHash Sketches : A Brief Survey, 2016

 

英文原文: https://hf.co/blog/dedup

原文作者: Chenghao Mou

譯者: Matrix Yao (姚偉峰)，英特爾深度學習工程師，工作方向為 transformer-family 模型在各模態數據上的應用及大規模模型的訓練推理。

審校/排版: zhongdongy (阿東)

END