欢迎关注公众号:DeepL Newer

MENU

TeaForN:让Teacher Forcing更有"远见"

July 5, 2021 • Read: 177 • Deep Learning阅读设置

本文介绍Google新提出的一种名为"TeaForN"的缓解Exposure Bias现象的方案,来自论文《TeaForN: Teacher-Forcing with N-grams》,它通过嵌套迭代的方式,让模型能提前预估到后N个token(而不仅仅是当前要预测的token),其处理思路上颇有可圈可点之处,值得我们学习

Teacher Forcing

文章Teacher Forcing已经概述了什么是Teacher Forcing,这里做一个简单的回顾。首先,Seq2Seq模型将联合概率分解为多个条件概率的乘积,这就是所谓的“自回归模型”:

$$ \begin{aligned}p(\boldsymbol{y}|\boldsymbol{x})=&\,p(y_1,y_2,\dots,y_n|\boldsymbol{x})\\ =&\,p(y_1|\boldsymbol{x})p(y_2|\boldsymbol{x},y_1)\dots p(y_n|\boldsymbol{x},y_1,\dots,y_{n-1}) \end{aligned}\tag{1} $$

当我们训练第$t$步的模型$p(y_t|x,y_1,…,y_{t−1})$时,我们假$\boldsymbol{x},y_1,...,y_{t−1}$都是已知的,然后让模型只预测$y_t$,这就是Teacher Forcing。但在预测(Inference)阶段,真实的$y_1,…,y_{t−1}$都是未知的,此时它们是递归地预测出来的,可能会存在传递误差等情况。因此Teacher Forcing的问题就是训练和预测存在不一致性,这让我们很难从训练过程掌握预测的效果

没什么远见

如何更具体理解这个不一致性所带来的问题呢?我们可以将它理解为"没什么远见"。在解码器中,输入$\boldsymbol{x}$和前$t−1$个输出token共同编码得到向量$h_t$,在Teacher Forcing中,这个$h_t$只是用来预测$y_t$,跟$y>t$没有直接联系,换句话说,它的"见识"也就局限在$t$这一步了


Teacher Forcing示意图

比如上图中的$h_3$向量,Teacher Forcing只让它用来预测"阴",事实上"阴"的预测结果也会影响"晴"、"圆"、"缺"的预测,也就是说$h_3$也应该与"晴"、"圆"、"缺"有所关联,而Teacher Forcing没有显式地建立这种关联。所以模型在解码的时候每一步很可能只输出局部最高概率的token,这就容易出现高频安全回复或重复解码现象

为了提高模型的"前瞻能力",最彻底的方法当然是训练阶段也按照Inference的方式来进行,即$h_1,h_2,…,h_t$也像测试阶段一样递归地预测出来,而不依赖于真实标签,我们不妨称这种方式为Student Forcing。但是,Student Forcing的训练方式来带来两个严重的问题:

  1. 牺牲并行。对于Teacher Forcing来说,如果Decoder使用的是CNN或Transformer这样的结构,那么训练阶段的所有token都可以并行训练的(预测阶段还是串行),但如果Student Forcing的话则一直都是串行
  2. 极难收敛。Student Forcing通常需要用Gumbel Softmax或强化学习来回传梯度,它们的训练都面临着严重的不稳定性,一般都要用Teacher Forcing预训练后才能用Student Forcing,但即便如此也不算特别稳定

形象地理解,Student Forcing相当于老师完全让学生独立探究一个复杂的问题,不做手把手教学,只对学生的结果好坏做个最终评价。这样一旦学生能探索成功,那说明学生的能力很强。但问题是,缺乏老师的"循循善诱",学生"碰壁"的几率更加大

往前多看几步

有没有介乎Teacher Forcing与Student Forcing之间的方法呢?有,本文所介绍的TeaForN就算是其中一种。它的思想是:常规的Teacher Forcing相当于在训练的时候只往前看1步,而Student Forcing相当于在训练的时候往前看了$L$步($L$是目标句子长度),如果我们只是往前多看几步(相当于看到了N-gram),那么理论上就能提高"远见",并且不至于严重牺牲模型的并行性。其示意图如下:


TeaForN示意图

直观来看,就是把输出结果再往前迭代多遍,这样一来前$t-1$个token要预测的就不仅是第$t$个token,还有第$t+1,t+2,...$个token。比如在上图中,输入"月",输出$h_2^{(1)}$在第一层预测"有";接着输入$h_2^{(1)}$,输出$h_3^{(2)}$在第二层预测"阴";接着输入$h_3^{(2)}$,输出$h_4^{(3)}$在第三层预测"晴"。所以我们可以理解为$h_2^{(1)}$这个向量要同时预测"有"、"阴"、"晴"三个字,因此也就提高了"远见"

用数学的话来说

用数学的语言来描述,我们可以将Decoder分为Embedding层$E$和剩余部分$M$,Embedding层负责将输入句子$s=[w_0,w_1,...,w_{L-1}]$映射为向量序列$[e_0,e_1,...,e_{L-1}]$(其中$w_0$是固定的解码起始标记,也就是上图的[S],有些文章记为<bos>),然后交给模型$M$处理,得到向量序列$[h_1,h_2,...,h_L]$,即

$$ [h_1,h_2,...,h_L]=M(E([w_0,w_1,...,w_{L-1}]))\tag{2} $$

接着通过$p_t=\text{softmax}(Wh_t+b)$得到第$t$步的token概率分布,最后用$-\log p_t[w_t]$作为损失函数训练,这便是常规的Teacher Forcing

可以想象,负责映射到token分布的输出向量序列$[h_1,h_2,...,h_{L-1}]$某种程度上跟Embedding序列$[e_1,e_2,...,e_{L-1}]$是相似的,如果我们补充一个$e_0$进去,然后将$[e_0,h_1,h_2,...,h_{L-1}]$也送入到模型$M$中再处理一次,是否可以呢?也就是

$$ \begin{aligned}[] \left[e_0,e_1,e_2,\cdots,e_{L-1}\right]& = E\left(\left[w_0, w_1,w_2,\cdots,w_{L-1}\right]\right)\\ \left[h_1^{(1)},h_2^{(1)},h_3^{(1)},\cdots,h_L^{(1)}\right]& = M\left(\left[e_0,e_1,e_2,\cdots,e_{L-1}\right]\right)\\ \left[h_1^{(2)},h_2^{(2)},h_3^{(2)},\cdots,h_L^{(2)}\right]& = M\left(\left[e_0, h_1^{(1)},h_2^{(1)},\cdots,h_{L-1}^{(1)}\right]\right)\\ \left[h_1^{(3)},h_2^{(3)},h_3^{(3)},\cdots,h_L^{(3)}\right]& = M\left(\left[e_0, h_1^{(2)},h_2^{(2)},\cdots,h_{L-1}^{(2)}\right]\right)\\ &\,\,\vdots \end{aligned}\tag{3} $$

然后每一个$h$我们都算概率分布$p_t^{(i)}=\text{softmax}(Wh_t^{(i)}+b)$,最后算交叉熵并加权叠加

$$ \text{loss} = -\sum_{t=1}^L \sum_{i=1}^N \lambda_i \log p_t^{(i)}[w_t]\tag{4} $$

Inference阶段,我们只用$E$和$M$做常规的解码操作(比如Beam Search),也就是只用$h_t^{(1)}$而不再需要$h_t^{(2)},h_t^{(3)},...$

效果、思考与讨论

至于实验效果,自然是有提升的,从原论文的实验表格来看,在beam_size比较大时提升比较明显。其实也不难理解,按道理来说,这样处理后再不济也不会下降,因此算是一种"稳赚不赔"的策略


TeaForN的实验结果之一(文本摘要)

原论文讨论了几个值得商榷的点,我们这里也稍微提一下

首先,模型每一步迭代所用的$M$该不该共享权重?直觉来想共享是更好的,如果不共享权重,那么往前看$N$步,参数量差不多就是原来的$N$倍了。当然最好还是靠实验证明,原论文确实做了这个比较,证实了我们的直觉


TeaForN在机器翻译上的效果,其中包含了是否贡献权重的比较

其次,可能主要的疑问是:在迭代过程中将$[h_1,h_2,...,h_{L-1}]$当作$[e_1,e_2,...,e_{L-1}]$用是否真的靠谱?当然,实验结果已经表明了是可行的,这就是最有说服力的论据了。但由于$h_{t}$到$p_t$是通过内积来构建的,所以$h_t$跟$e_t$未必相似,如果能让它们更接近些,效果会不会更好?原论文考虑了如下的方式:

$$ \frac{\sum\limits_{w\in \text{Top}_k(p_t)}p_t[w] e_w}{\sum\limits_{w\in \text{Top}_k(p_t)}p_t[w]}\tag{5} $$

也就是说,每一步算出$p_t$后,取概率最大的$k$个token,将它们的Embedding向量加权平均来作为下一步迭代的输入。原论文实验了$k=4$和$k=|V|$(词表大小),结果如下图。总的来说Topk的效果不大稳定,好的情况也跟直接用$h_t$差不多,因此就没必要尝试别的了


用Topk对Embedding加权平均的方式代替h的效果

Reference

Last Modified: July 9, 2021
Archives Tip
QR Code for this page
Tipping QR Code