Raki的读paper小记:LAMOL: LANGUAGE MODELING FOR LIFELONG LANGUAGE LEARNING
Abstract & Introduction & Related Work
- 研究任务
lifelong learning - 已有方法和相关工作
- 面临挑战
- 现有方法大多基于图片或者游戏,而不是语言
- 创新思路
- 提出了一种基于语言模型的lifelong learning方法
- 重现以前任务的伪样本,同时不需要额外的内存或模型容量
- 实验结论
- 结果显示,LAMOL可以防止灾难性遗忘,而没有任何不妥协的迹象,并且只用一个模型就可以连续完成五种非常不同的语言任务
- sota
- 此外,我们建议在伪样本生成过程中增加特定任务的标记,以便在所有先前的任务中均匀地分配生成的样本。这一扩展稳定了LLL,在大量任务的训练中特别有用
- 我们分析了不同数量的伪样本如何影响LAMOL的最终性能,考虑了有和没有特定任务标记的结果
训练一个语言模型,同时具备生成伪样本的能力,而不需要额外的空间
LAMOL
DATA FORMATTING
受decaNLP(Bryan McCann & Socher,2018)使用的协议启发,我们使用的数据集的样本被框定在一个类似SQuAD的方案中,其中包括上下文、问题和答案。虽然LM同时是一个QA模型,但数据格式取决于训练目标。当作为QA模型进行训练时,LM在阅读上下文和问题后学习解码答案。另一方面,当作为LM训练时,LM学习解码给定的三个部分的token。
除了上下文、问题和答案之外,我们还增加了三个特殊的token:
- ANS :插在问题和答案之间。由于在推理过程中,上下文和问题是已知的,所以在输入ANS后开始解码
- EOS :每个样本的最后一个token,遇到EOS时停止解码
- GEN :伪样本生成期间的第一个token,解码在输入GEN后开始
TRAINING
用一个系数 γ\gammaγ 来平衡伪样本的数量,并且置信度不够高的时候,生成的样本会被丢弃
同时优化两个损失
TASK-SPECIFIC TOKENS
在训练许多任务时,对所有任务使用相同的GEN token是有问题的,因为旧任务的部分在理论上是呈指数级下降的。例如,如果 γ=0.01γ=0.01γ=0.01,那么在训练第二个任务时,第一个任务的部分约为 1%,但在训练第三个任务时,只有约 0.010.01%0.01。这个问题对LLL绝对是有害的。为了缓解这个问题,我们可以选择用每个任务的特定任务token来取代GEN token,以通知模型生成属于特定任务的伪样本
在这个设定下,所有的之前的任务都有相同的伪样本数量 γ∣Ti∣\gamma|T_i|γ∣Ti∣
请注意,由于每个任务都使用特定的token,随着更多任务的训练,LM的词汇量和嵌入权重会略有增加
EXPERIMENTAL RESULTS
CONCLUSION
我们提出了LAMOL,一种基于语言建模的简单而有效的LLL方法。一个单一的LM就能实现LLL,无需额外的模型组件,也无需保留旧的样本。此外,任何预训练的LM都可以用来利用大量的未标记文本来改善LLL。最后,只要有需要,就可以增加更多的任务
Remark
方法出奇的简单,大概可以作为一个base method?ICLR出品确实顶
Raki的读paper小记:LAMOL: LANGUAGE MODELING FOR LIFELONG LANGUAGE LEARNING相关推荐
- Raki的读paper小记:Image as a Foreign Language: BEIT Pretraining for All Vision and Vision-Language Tasks
Abstract&Introduction&Related Work 研究任务 语言+视觉模态预训练任务 已有方法和相关工作 masked data已经成为一种主流 面临挑战 现有的多 ...
- Raki的读paper小记:Neuro-Inspired Stability-Plasticity Adaptation for Continual Learning in Sparse Nets
Abstract&Introduction&Related Work 研究任务 Continual Learning 已有方法和相关工作 面临挑战 创新思路 利用持续学习过程中的持续稀 ...
- Raki的读paper小记:Prompting ELECTRA: Few-Shot Learning with Discriminative Pre-Trained Models
Abstract&Introduction&Related Work 研究任务 基于提示学习的ELECTRA 已有方法和相关工作 ELECTRA 面临挑战 基于判别模型的预训练模型的f ...
- Raki的读paper小记:OFA: UNIFYING ARCHITECTURES, TASKS, AND MODALITIES THROUGH A SIMPLE Seq2Seq FRAMEWORK
Abstract&Introduction&Related Work 研究任务 多模式预训练的统一范式 包括图像生成.visual-grounding(visual grounding ...
- Raki的读paper小记:Named Entity Recognition without Labelled Data: A Weak Supervision Approach(半成品)
Abstract & Introduction & Related Work 研究任务 无标注数据NER学习 已有方法和相关工作 Unsupervised domain adaptat ...
- Raki的读paper小记:Forget-free Continual Learning with Winning Subnetworks
Abstract&Introduction&Related Work 研究任务 用子网络做CL 已有方法和相关工作 彩票假说(LTH)证明了稀疏子网络(称为中奖彩票)的存在,这些子网络 ...
- 【Lifelong learning】LAMOL: LANGUAGE MODELING FOR LIFELONG LANGUAGE LEARNING
链接:http://arxiv.org/abs/1909.03329v2 简介 之前的终身学习(LLL)模型大多应用于CV和游戏领域,在nlp方面的应用比较少,本文因此提出了一个语言专用的终身学习模型 ...
- Stetman读paper小记:ATTEQ-NN
注:本周笔者阅读了龚雪鸾.陈艳娇的文章ATTEQ-NN:Attention-based QoE-aware Evasive Backdoor Attacks.本文讲了作者设计的一种基于注意力机制的后门 ...
- Stetman读paper小记:BackdoorBench - A Comprehensive Benchmark of Backdoor Learning
之前因为参与了实验室后门攻击的项目,阅读了一下这篇关于后门学习的综合性基准测试的研究工作,在此记录一下学习笔记与心得. 1 摘要 这篇文章介绍了一个名为BackdoorBench的基准测试,用于评估后 ...
- Paper简读 - ProGen: Language Modeling for Protein Generation
欢迎关注我的CSDN:https://spike.blog.csdn.net/ 本文地址:https://blog.csdn.net/caroline_wendy/article/details/12 ...
最新文章
- Dialog 带白色的边的处理方法
- 并发编程--线程池与进程池
- 启用vsftpd服务
- C# 中使用JSON - DataContractJsonSerializer
- 10分钟学会vue滚动行为
- 机器学习及大数据经典算法笔记汇总
- 在TensorFlow中使用pipeline加载数据
- python第六篇文件处理类型
- 电子相册系统(八)验证用户是否可用
- Android Studio代码自动提示无效
- PuttyPsftp
- Matlab 曲线拟合之polyfit与polyval函数
- 百科知识 kux文件如何打开
- 全球四大卫星导航系统年鉴
- PHP中Linux知识,超全面的Linux基础知识整理
- 下列叙述中正确的是计算机课,大学计算机课程练习题(期末)
- JavaWeb-10-JavaScript高级学习笔记
- html带复选框的表格,Html 表格行 ID 复选框
- 11 Laws of The System Thinking in Software Develo(软件开发中的11个系统思维定律)
- 穿越火线枪战王者服务器维护,CF手游体验服6.10更新维护公告 六月版本来袭
热门文章
- 黑客攻击成网络安全大患 危害长久
- Python自然语言处理学习笔记(23):3.7 用正则表达式文本分词
- 2009年11月14日上海讲座-Linux触摸屏驱动PPT
- SQL Server 2008使用问题集锦
- java result_Result对象 + 统一异常处理
- svn服务器搭建和使用_使用Gitea搭建自己的Git服务器
- pod打包原理_webpack打包原理解析
- 微型计算机普遍采用的数字编码是,计算机原理复习题1
- php和r关系,R和php之间的集成
- es 创建索引 指定id_ES的基本用法