论文名称:Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks
(不要停下来啊!)
论文ACL官方下载地址:https://aclanthology.org/2020.acl-main.740/(包含ACL官方讲解视频,本博文中非论文配图都来自此视频)
官方GitHub项目:allenai/dont-stop-pretraining: Code associated with the Don’t Stop Pretraining ACL 2020 paper
本文是2020年ACL论文,主要的发现是:在通用域预训练模型在专业领域上,如果再进一步进行预训练,效果会更好。(现在听起来挺常识的)
在特定域上再一次预训练:domain-adaptive pretraining DAPT
用指定任务(本文中是分类任务)的无标签数据(从task distribution中drawn)上再一次预训练:task-adaptive pretraining TAPT
在任务语料上使用简单的数据选择策略来进行数据增强是有效的,尤其在domain-adaptive预训练资源难以获取的情况下。
整体上,multiphase adaptive pretraining可以提供很大的任务效果提升。
1. Background & Motivation
本文想要证明:任务的textual domain仍然有效。
现存工作大多仅在一个领域、用多样性比预训练模型更弱的语料微调一次,而连续预训练的优势是否与可获得有标签任务数据、目标域和原始预训练语料域的相似性等元素有关,扔待探究。
本文主要研究RoBERTa在非预训练语料域上的分类任务表现在连续预训练之下的影响。
2. DAPT
2.1 数据集和实验
baseline:直接在每个分类任务上finetune
2.2 分析域相似性
在海量的域测试集文本上一万个最常见的unigram(去掉停用词)
DAPT在不相似域上潜力更大。
3. TAPT
跨域DAPT+TAPT灾难性遗忘问题(说明了通用预训练模型的不足,DAPT和TAPT的必要性):
三阶段预训练:
4. TAPT训练集数据增强
- 用human-curated corpus中抽取的大量无标签数据
- 在没有human-curated corpus的任务下,检索无标签领域语料中的TAPT相关数据
VAMPIRE:轻量BOW语言模型
5. 参考文献
同一任务训练集和测试集分布的domain shift
其他细节略。
6. 代码复现
我觉得这个代码我复现不了……太金钱游戏了……