完胜 BERT，谷歌最佳 NLP 预训练模型开源

2020-03-16 19:35

导语：小模型高精度，效率显著优于 MLM。

按：近日，谷歌宣布将 AI 语言模型 ELECTRA 作为 TensorFlow 之上的开源模型发布。该方法用到了一种称为替换令牌检测（RTD）的新预训练任务，使其能够在从所有输入位置学习的同时，训练双向模型。

并且，在同等计算资源的情况下，ELECTRA 的性能优于现有方法；而在参数量只有 1/30 的情况下，取得不逊于最先进 BERT 系列模型的性能。谷歌发布了相关文章介绍这一开源成果，雷锋网 AI 源创评论将其整理编译如下。

语言模型现状与瓶颈

近年来，语言预训练模型的最新进展使得自然语言处理也取得了重大进展，其中不乏一些最先进的模型，例如：BERT，RoBERTa，XLNet，ALBERT 和 T5 等。

这些方法虽然在设计上有所不同，但在利用特定的 NLP 任务（例如：情感分析和问题解答等）进行微调时，有着相同思路，即：利用大量未标记的文本，来构建语言理解的通用模型。

因此，现有的预训练方法通常分为两类：语言模型（LM），例如：GPT。该类方法按照从左到右的顺序处理输入文本，然后在给定先前上下文的情况下，预测下一个单词。

另一个则是掩码语言模型（MLM），例如：BERT，RoBERTa 和 ALBERT。这类模型它们分别预测输入中已被屏蔽的少量单词内容。MLM 相比 LM 而言，具有双向预测的优势，因为它可以看到要预测的单词左侧和右侧的文本。

但 MLM 模型预测也有缺点，这些模型的预测仅限于输入标记的某个很小的子集（被掩盖部分的 15%），从而减少了他们从每个句子中获得信息的量，增加了计算成本。

现有的预训练方法及其缺点。箭头指示哪些标记用于生成给定的输出表示形式（矩形）。左：传统语言模型（例如 GPT）仅使用当前单词左侧的上下文。右：掩码语言模型（例如 BERT）从左到右都使用上下文，但是对于每个输入仅预测一小部分单词

新型预训练模型 ELECTRA

正是为了克服以上两类语言模型存在的缺点，谷歌提出了 ELECTRA（Efficiently Learning an Encoder that Classifies Token Replacements Accurately）语言模型。这是一种新型预训练方法，其关键点在于将预训练文本编码器作为标识符而非生成器，来处理现存语言模型的问题。

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

在相同的模型大小、数据、计算量的情况下，该方法的性能显著优于 MLM 类的方法，例如 BERT 和 XLNet；而且，ELECTRA 小模型仅需要在 1 块 GPU 训练 4 天即可得到。

具体实验数据显示，这个小模型比 BERT 小模型在 GLUE 得分上高 5 个点，甚至比更大的 GPT 模型（该模型使用 30 倍以上的计算能力）效果还要好。

而 ELECTRA 在使用少于 1/4 的计算量时，可以在 GLUE 自然语言理解基准上达到 RoBERTa 和 XLNet 的性能。如果使用更多的计算机来训练大型 ELECTRA，该模型在 SQuAD 2.0 的问答数据集和语言理解任务的排行榜上，获得了最先进的表现。（具体数据见第四小节）

核心思想——替换令牌检测

ELECTRA 使用一种称为替换令牌检测（RTD）的新预训练任务，该任务在从所有输入位置（如：LM）学习的同时，训练双向模型（如：MLM）。

具体而言，ELECTRA 的目标是学习区分输入的词。它不使用掩码，而是从一个建议分布中采样词来替换输入，这解决了掩码带来的预训练和 fine-tune 不一致的问题。

然后模型再训练一个判别器，来预测每个词是原始词还是替换词。而判别器的一个优点则是：模型从输入的所有词中学习，而不是像 MLM 那样，仅使用掩盖的词，因此计算更加有效。

正如很多开发者联想到的对抗学习方法，ELECTRA 确实受到到生成对抗网络的启发（GAN）。但不同的是，模型采用的是最大似然而非对抗学习。

例如下图中，单词「cooked」可以替换为「ate」。尽管这有些道理，但它并不适合整个上下文。预训练任务需要模型（即鉴别器）来确定原始输入中的哪些标记已被替换或保持相同。

正是由于该模型的二进制分类任务适用于每个输入单词，而非仅有少量的掩码单词（在 BERT 样式的模型中为 15％），因此，RTD 方法的效率比 MLM 高。这也解释了为什么 ELECTRA 只需更少的示例，就可以达到与其它语言模型相同性能的原因。

从所有输入位置学习时，替换的令牌检测可进行双向训练

其中，替换令牌来自生成器的神经网络。生成器的目标是训练掩码语言模型，即给定输入序列后，按照一定的比例（通常 15%）将输入中的词替换成掩码；然后通过网络得到向量表示；之后再采用 softmax 层，来预测输入序列中掩盖位置的词。

尽管生成器的结构类似于 GAN，但由于难以将该方法应用于文本任务，因此得到的训练目标函数为掩盖词的最大似然。

之后，生成器和判别器共享相同的输入词嵌入。判别器的目标是判断输入序列每个位置的词是否被生成器替换，如果与原始输入序列对应位置的词不相同，就判别为已替换。

生成器与判别器神经网络模型

具体研究结果对比

研究人员将 ELECTRA 与其他最新的 NLP 模型进行了比较，发现在给定相同的计算预算的情况下，它与以前的方法相比有了实质性的改进，其性能与 RoBERTa 和 XLNet 相当，而使用的计算量不到 1/4。

x 轴显示用于训练模型的计算量（以 FLOPs 为单位），y 轴显示 dev GLUE 得分。与现有的预训练 NLP 模型相比，ELECTRA 的学习效率要高得多。但值得注意的是，目前 GLUE 上的最佳模型（例如 T5（11B））不适合该图，因为它们使用的计算量比其他模型多得多（比 RoBERTa 多 10 倍）

为了进一步提高效率，研究人员尝试了一个小型的 ELECTRA 模型，该模型可以在 4 天的时间内在单个 GPU 上进行良好的训练。

尽管无法达到与需要训练许多 TPU 的大型模型相同的精度，但 ELECTRA-small 的性能仍然很好，甚至比 GPT 还要好，而所需的计算量却只有其三分之一。

之后，为了测试这一结果是否能大规模实施，研究人员使用了更多的计算量（大约与 RoBERTa 相同的数量，大约是 T5 的 10％）训练了一个大型 ELECTRA 模型。

研究人员将大型 ELECTRA、RoBERTa、XLNet、BERT 和 ALBERT 模型在 SQuAD 2.0 问题回答数据集的表现做了测试，结果如下表所示；可以看到在 GLUE 排行榜上，ELECTRA 的表现优于其它所有模型。

但相比大型 T5-11b 模型，后者在 GLUE 上的得分仍然更高。但值得注意的是，ELECTRA 的大小是其三分之一，并使用 10％的计算进行训练。

SQUAD 2.0 数据集在 ELECTRA-Large 和其他最新模型中得分

目前，用于预训练 ELECTRA 并在下游任务上对其进行微调的代码已发布，当前支持的任务包括：文本分类、问题解答和序列标记。

该代码支持在一个 GPU 上快速训练小型 ELECTRA 模型。之后，谷歌还计划发布适用于 ELECTRA-Large，ELECTRA-Base 和 ELECTRA-Small 的预训练代码。（ELECTRA 模型目前仅支持英语，后续将发布更多语言版本）

原文地址：

https://ai.googleblog.com/2020/03/more-efficient-nlp-model-pre-training.html

GitHub 地址：

https://github.com/google-research/electra