超越bert，最新预训练模型 ELECTRA 论文阅读笔记

最近看到一些ELECTRA模型的消息，感觉这个模型的设计很新颖，于是赶紧找来了原文来看一下，看完趁着现在还有空赶紧记下来。

论文的地址 https://openreview.net/pdf?id=r1xMH1BtvB

目前论文还在ICLR2020的双盲审阶段，据说，作者为斯坦福SAIL实验室Manning组。

文章贡献：

文章提出了一种新的文本预训练模型，相比于之前的预训练模型（xlnet，bert等），该模型用更少的计算资源消耗和更少的参数在GLUE上取得了超越xlnet，roberta的成绩。

文章细节：

文章开始，作者就先比较了ELECTRA模型和其他预训练模型在GLUE任务上的效果和训练资源的消耗。可以看到本文提出的ELECTRA模型在训练步长更少的前提下得到了比其他预训练模型更好的效果。

作者提出的预训练模型如下图所示，包括了一个Generator和一个Discriminator，在预训练模型的训练中，需要训练两个神经网络。一个生成器G，一个分类器D，对于生成网络

G，对于给定的输入 x ，生成网络在t位置按照下述方式生成输出token的xt。其中 e 是token对应的embedding。

UNF732Z.png!web

而对于给定位置 t 的token，鉴别器需要去鉴别这个单词是否经过替换。

rAnmeyr.png!web

生成器模型G会扮演一个MLM模型，对于给定的token输入x=[x1,x2,x3..xn]，它会选择一些位置，并且将token替换成[mask]，然后生成器会开始学习预测这个masked的元素。并且生成自己的预测结果，并且生成句子。

而鉴别器模型D会对于生成句子中的每一个token进行鉴别，判断其是否是经过G替换的token，与GAN网络不同，在这个G，D网络中G使用最大似然的方式训练，而不是训练去用于对抗D网络，由于在文本任务中D的loss不便于传给G，所以D和G的训练是分开的，联合的训练loss如下：

r6baMbQ.png!web

除了上述的基本模型以外，作者在训练中还增加了下述的方法：

embedding层共享：作者认为在G模型生成任务中，G模型会对token的embedding层进行学习，从而得到更好的embedding，而D模型不会更新其embedding层，所以作者将两个模型的embedding层进行了共享。

使用小型生成器G：作者认为如果生成器G和鉴别器D如果使用同样的大小，那么训练的效率会下降，于是作者在仅改变层数大小的情况下做了实验，如下图所示。

实验发现，当G网络的层数在D网络的1/4到1/2的时候效果最好。作者认为太强的生成器会让鉴别器不能高效地学习。

训练算法：除了文中上述的两种方法，作者还实验了另外两种训练算法：

1、Adversarial Contrastive Estimation：借用强化学习的思想，将被替换token的交叉熵作为生成器的reward，然后进行梯度下降，用GAN的思想进行训练。

2、Two-stage training：先训练生成器，然后用生成器的权重初始化判别器，再训练判别器，得到的实验结果如下所示：

实验结果：作者先给出了ELECTRA-Small和ELECTRA-base的实验结果，在等参数级别和训练量的情况下比较了BERT，ELMo，GPT模型的效果。可以看到在等参数，等计算量的情况下，ELECTRA模型有极大的效果提升。

接着作者给出了ELECTRA-Large的实验结果，从实验结果中可以看出ELECTRA-Large模型在等参数量，但是仅使用Roberta1/4计算量的前提下获得了超过Roberta的效果。

之后作者为了探究效率提升的原因，进行了对比实验，比较不同方案的效果，作者对以下训练方案进行了实验：

1、 ELECTRA 15%：让D只计算15%token上的损失。

2、 Replace MLM：输入不用mask替换，而是直接用其他生成器。

3、 All-Tokens MLM: 依然使用替换的方法，但是目标函数变为预测所有的token。

实验结果表明，mask的使用确实会降低一定的性能，尽管BERT在mask token上已经使用了一些trick，预测所有的token效果会好于预测部分的token。

最后作者比较了BERT和ELECTRA在不同hidden state size和训练计算量下的表现，结果如下：

实验结果表明，在相同的hidden state size和训练计算量的情况下，ELECTRA模型相比于BERT有很好的性能提升。

关注纸鱼AI，了解最新人工智能，机器学习，自然语言处理学术进展和竞赛题解。

本文转载自公众号: 纸鱼AI ，作者linhw

Recommend