docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,136 @@
|
||||
---
|
||||
id: wiki-2026-0508-encoder-decoder-inconsistency
|
||||
title: Encoder Decoder Inconsistency
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [encoder-decoder-mismatch, seq2seq-inconsistency]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [nlp, transformer, training, decoding]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pytorch
|
||||
---
|
||||
|
||||
# Encoder Decoder Inconsistency
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 encoder가 본 분포 ≠ decoder가 생성하는 분포"**. Seq2seq training 시 encoder는 ground-truth context를 보지만 decoder는 inference에서 자기 prediction을 다시 입력으로 받기 때문에 train/inference 간 distribution shift가 발생한다. 매 exposure bias 의 근본 원인.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 정의
|
||||
- **Train**: decoder input = teacher-forced ground truth.
|
||||
- **Inference**: decoder input = previously generated token.
|
||||
- **Gap**: 매 error compounds along sequence — early mistake → later tokens conditioned on out-of-distribution prefix.
|
||||
|
||||
### 매 표현
|
||||
- Exposure bias (Ranzato 2016).
|
||||
- Schedule sampling 의 motivation.
|
||||
- Hallucination 의 한 원인 (특히 long-form generation).
|
||||
|
||||
### 매 응용
|
||||
1. NMT (Neural Machine Translation) — 매 long sentence translation degradation.
|
||||
2. Summarization — repetition / drift.
|
||||
3. Speech recognition — RNN-T vs CTC trade-off.
|
||||
4. Code generation — 매 long completion 의 syntax break.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Scheduled Sampling
|
||||
```python
|
||||
import torch
|
||||
import torch.nn.functional as F
|
||||
|
||||
def scheduled_sampling_step(decoder, prev_token, hidden, gt_token, p_use_gt: float):
|
||||
"""p_use_gt 의 확률로 ground-truth, 아니면 model prediction 의 사용."""
|
||||
if torch.rand(1).item() < p_use_gt:
|
||||
input_tok = gt_token
|
||||
else:
|
||||
with torch.no_grad():
|
||||
logits, _ = decoder(prev_token, hidden)
|
||||
input_tok = logits.argmax(dim=-1)
|
||||
out_logits, hidden = decoder(input_tok, hidden)
|
||||
return out_logits, hidden
|
||||
```
|
||||
|
||||
### Minimum Risk Training
|
||||
```python
|
||||
def mrt_loss(model, src, refs, n_samples=8):
|
||||
"""매 sequence-level loss 의 — 매 sampled hypotheses 에 대해 risk minimize."""
|
||||
hyps = [model.sample(src) for _ in range(n_samples)]
|
||||
risks = torch.tensor([1 - bleu(h, refs) for h in hyps])
|
||||
log_probs = torch.stack([model.log_prob(h, src) for h in hyps])
|
||||
weights = F.softmax(log_probs, dim=0)
|
||||
return (weights * risks).sum()
|
||||
```
|
||||
|
||||
### Self-distillation Fix
|
||||
```python
|
||||
def self_distill(student, teacher, src, T=2.0):
|
||||
"""매 teacher 가 자기 생성한 sequence 의 사용 — 매 train/inference gap 축소."""
|
||||
with torch.no_grad():
|
||||
gen = teacher.generate(src, do_sample=True, top_p=0.9)
|
||||
teacher_logits = teacher(src, gen).logits
|
||||
student_logits = student(src, gen).logits
|
||||
return F.kl_div(
|
||||
F.log_softmax(student_logits / T, dim=-1),
|
||||
F.softmax(teacher_logits / T, dim=-1),
|
||||
reduction="batchmean",
|
||||
) * T * T
|
||||
```
|
||||
|
||||
### Beam Search with Length Penalty
|
||||
```python
|
||||
def length_penalty(score, length, alpha=0.7):
|
||||
"""GNMT length penalty — 매 short hypothesis 의 bias 보정."""
|
||||
return score / ((5 + length) ** alpha / (5 + 1) ** alpha)
|
||||
```
|
||||
|
||||
### Contrastive Decoding
|
||||
```python
|
||||
def contrastive_decode(big, small, prompt, alpha=0.5):
|
||||
"""매 large model logit − small model logit — 매 expert/amateur gap 의 강조."""
|
||||
big_logits = big(prompt).logits[:, -1]
|
||||
small_logits = small(prompt).logits[:, -1]
|
||||
return big_logits - alpha * small_logits
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Short sequence (<32) | Teacher forcing 충분 |
|
||||
| Long sequence | Scheduled sampling / MRT |
|
||||
| Production NMT | Beam + length penalty + coverage |
|
||||
| LLM long-form | Contrastive decoding / self-distillation |
|
||||
|
||||
**기본값**: teacher forcing + 1k step warmup 이후 scheduled sampling.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Sequence-to-Sequence]] · [[Transformer]]
|
||||
- Adjacent: [[Hallucination]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: long-form generation 의 quality issue 분석 시. Train/eval BLEU gap 의 진단.
|
||||
**언제 X**: 매 short classification — 매 inconsistency 의 무관.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Pure teacher forcing forever**: 매 inference distribution 의 미본 채 deploy.
|
||||
- **Greedy decoding only**: 매 early mistake 의 lock-in.
|
||||
- **No length normalization**: beam 의 short hypothesis bias.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Ranzato et al. 2016, Bengio et al. 2015 scheduled sampling).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — encoder/decoder distribution shift + scheduled sampling/MRT/contrastive decoding |
|
||||
Reference in New Issue
Block a user