欢迎关注公众号:DeepL Newer

MENU

简单到令人沮丧的替代MLM的预训练任务?

November 11, 2021 • Read: 324 • Deep Learning阅读设置

EMNLP2021有一篇论文标题名为Frustratingly Simple Pretraining Alternatives to Masked Language Modeling,翻译过来就是「简单到令人沮丧的替代MLM的预训练任务」。但我给它加了个问号,因为我觉得首先作者提出的这些方法,对于模型来说太难了,即便是让我去做他所提出的这些预训练任务,我都不一定做得出来。其次是从结果来看效果似乎一般般

如下图所示,具体来说作者提出了4中用于替代MLM的预训练任务,分别是Shuffle、Random、Shuffle+Random、Token Type、First Char

Pretraining Tasks

Shuffle

作者提到这个方法的灵感来源于ELECTRA。具体来说,一个句子中有15%的token将会被随机调换顺序,然后模型需要做一个token级别的2分类问题,对于每一个位置预测该token是否被调换了位置。这个预训练任务的好处是,模型可以通过学习区分上下文中是否有token被打乱,从而获得句法和语义知识

对于Shuffle任务来说,其损失函数为简单的Cross-Entropy Loss:

$$ \begin{aligned} \mathcal{L}_{\text{shuffle}}&=-\frac{1}{N}\sum_{i=1}^N y_i\log p(x_i) \\&+ (1-y_i)\log (1-p(x_i)) \end{aligned} \tag{1} $$

其中$N$表示一个样本的token数量,$y_i$和$p(x_i)$都是向量,并且$p(x_i)$表示第$i$个token被预测是否打乱的概率

Random Word Detection (Random)

从词汇表 (Vocabulary)中随机挑选一些词,替换输入句子中15%的token,即便替换后整个句子语法不连贯也无所谓。它本质上同样是一个2分类问题,对于每一个位置预测该token是否被替换过,损失函数同公式(1)

Manipulated Word Detection (Shuffle + Random)

这个任务其实就是将Shuffle和Random任务结合起来,组成了一个更困难的任务。这里我是真的蚌埠住了,Shuffle、Random任务分别让我去判断我可能分辨出来,但是他俩相结合之后我真的就不一定能做出准确的判断了。作者可能也考虑到了这一点,因此分别将Shuffle和Random的比例调低至10%,同时要注意的是这两个任务是不重叠的,也就是不会存在某个token已经被Shuffle之后又被Random。现在这个任务是一个3分类问题。它的损失函数同样基于Cross-Entropy Loss

$$ \mathcal{L}_{\text{manipulated}} = -\frac{1}{N}\sum_{i=1}^N\sum_{j=1}^3 y_{ij}\log p_{ij}(x_i)\tag{2} $$

其中$j$遍历Shuffle($j=1$)、Random($j=2$)、orignal($j=3$)这三个标签,$p_{ij}$表示第$i$个token对于第$j$个标签的概率,$y_{ij}$和$p_{ij}$都是具体的实数,$p_{i}$是一个三维的向量

Masked Token Type Classification (Token Type)

这个任务是一个4分类问题,判断当前位置的token是否为停用词(stop word)、数字、标点符号或正文内容。具体来说,作者使用NLTK工具来判断一个token是否为停用词,并且只要不属于前三种类别,那么当前token就属于正文内容类别。特别地,选取15%的token,将它们替换为[MASK]这个特殊token,至于为什么这么做,我想应该是:直接对某个token进行预测,实在是太容易了,为了加大难度,我们应该让模型先预测出这里是什么token,然后再预测其属于什么类别。它的损失函数同样是Cross-Entropy Loss

Masked First Character Prediction (First Char)

最后,作者提出了一个简单版的MLM任务。原本MLM任务对于某个位置需要做一个$|V|$分类问题,也就是说你需要对一个Vocabulary大小的向量进行Softmax,这个任务实际上是很困难的,因为候选集合实在是太大了,而且还可能存在过拟合的风险。作者提出的最后一个任务,只需要预测当前位置所对应token的第一个字符,这样任务就转变为了29分类问题。具体来说,26个英文字母、一个代表数字的标记、一个代表标签符号的标记、一个代表其他类别的标记,加起来总共有29种类别。同样,有15%的token会被替换为[MASK],然后进行预测

Results

结果如上图,大家直接看就行了。实际上他们的结果有些一言难尽,不过作者也提到,如果训练时间和Baseline一样长,他们是有信心超过Baseline的。那我就有疑问了,为什么你不多训练一会儿呢,是为了赶EMNLP的DDL吗?

个人总结

本文主要创新点是作者提出了可以替代MLM的5个新的预训练任务,因为MLM是token级别的,所以这5个任务也是token级别的。明年EMNLP会不会有人提出sentence级别的,用于替代NSP/SOP的预训练任务呢?另外有一点要吐槽的是这篇论文的标题:Frustratingly Simple xxxx,简单到令人沮丧的xxxx,这种标题在我印象中已经看到好几次了,有一种标题党的感觉

Archives Tip
QR Code for this page
Tipping QR Code