来自 | 知乎
作者 | 光某人
地址 | https://zhuanlan.zhihu.com/p/363900943
编辑 | 机器学习算法与自然语言处理公众号
本文仅作学术分享,若侵权,请联系后台删文处理
具体知识请参阅我之前的文章:
https://zhuanlan.zhihu.com/p/346686467
这里的论文我会慢慢更新【最近组里活挺多的,慢慢来】
1.解决NMT的单词遗漏[acl2019]
论文标题:Reducing Word Omission Errors in Neural Machine Translation: A Contrastive Learning Approach
论文链接:aclweb.org/anthology/P1
1.0 问题
NMT系统容易省略基本单词,会减弱机器翻译的充分性。
由于神经网络缺乏可解释性,很难解释这些遗漏错误是如何发生的,也很难用逻辑规则的方式来消除它们。
所以本文采用对比学习的方法来显式地解决这个问题。
示例:
I love it so much that I cannot sleep well. 我太喜欢它 (了以至于 ) 我夜不能寐
1.1 使用CL动机
适应性强:可以对所有NMT模型加入CL进行对比学习来微调缺省后句向量与原向量距离。
语言独立性强:方法是独立于语言的,可以应用于任何语言。
训练快:对比学习从一个预先训练的NMT模型开始,通常只有几百个步骤。
用对比学习的思想解决该问题,其基本思想仍然与对比学习的思想是一致的:
使NMT模型能够将更高的概率分配给真实(ground-truth)翻译,而将较低的概率分配给错误翻译。
根据真实翻译进行省略词数、改变词频和词性设计不同类型的负实例,进行数据增强。
1.2 如何使用CL
输入:并行训练集 ,包含已翻译好的句子对
输出:无缺漏翻译的句子
用随机初始化获得D的最大似然估计
构建否定集
在
基础上用对比学习获得
上的
第一步,在平行语料库(1-2行)上使用最大似然估计(MLE)训练模型获得绝对空间向量。
在第二步中,通过省略ground-truth翻译中的单词来自动构建否定例(第3行)。
在第三步中,以估计最大似然值为起点,使用对比学习对模型进行微调。
1.3 联合Loss
找到一组模型参数,使训练集进行正常翻译的对数似然最大化:
1.4 数据增强
基于并行语料库中的真实实例对构建负实例。
基于以下几种规则对数据构建负实例:
随意省略。
按单词频率省略。
按词性省略。
1.5 对比损失【Triplet Loss变形】
这里是N个不同负样本平均概率与1个正样本间的概率差要趋向于margin 。本文实验取N=1。
1.6 实验
文章定义了margin difference 来衡量margin的大小。
![](https://i-blog.csdnimg.cn/blog_migrate/7bccee51c4f9a165d9f43086c0c88bbb.jpeg)
效果:
然后作者也对不同省略方法进行拆解比较其效果:
![](https://i-blog.csdnimg.cn/blog_migrate/feb63f6f4968534062689991ead34ef7.jpeg)
注: 指随机省略1,2,3个词进行对比学习。
指随机省略低频词,高频词。
指随机省略动词或介词。
首先,我们可以看到CL收敛还是很快的,而且,对于省略来说,随机省略一个词,省略高频词,省略介词,对比学习效果最好。
2. 常识推理的对比性自我监督学习
论文标题:Contrastive Self-Supervised Learning for Commonsense Reasoning
论文链接:aclweb.org/anthology/20
代码链接:github.com/SAP-samples/
2.0 问题
该文章提出了一种自监督的方法来解决指代消解(Pronoun Disambiguation)和 Winograd Schema Challenge 问题,减少目前监督方法对常识推理的限制 。
示例:
“它”指:
这件衣服放不进这箱子,因为它太大 了
A.衣服 B.箱子
这件衣服放不进这箱子,因为它太小 了
A.衣服 B.箱子
2.1 使用CL动机
训练快:对比学习能够较好的稳定优化和加快收敛速度。
自动化寻找差异:采用该方式进行正则化,用于寻求语言模型中个体候选概率的最大差异。
2.2 如何使用CL
2.2.1 互斥损失
该文章利用了与所谓的触发词相关的训练语料库的特征结构,它负责在代词消解中翻转答案,从而构造两两对比的辅助预测来实现这样的常识推理。
在上面的示例中,big,small充当触发词,这两个选项包含文中所有的实体,那么二者存在异或的关系,即要么A成立,要么B成立。考虑到触发词所建立的上下文,候选答案A在第一句中要么是对的,要么在第二句中是对的【另一句是错的】。
则有异或关系
所以对于 ,
从例子中可以看出,触发词产生了训练对的相互排斥关系。该方法的目标是将这种成对关系作为训练阶段的唯一监督信号。所以这里引入 互斥损失(Mutual Exclusive (MEx) loss),最大限度地提高这两个看似合理的候选项的相互排斥概率。
具体来说,给定一对训练句子,将要解决的代词从句子中屏蔽(mask)掉,并使用语言模型来预测这样的候选词中只有一个可以填充mask的位置,而填充互斥条件。
2.2.2 原始CL
因为假如原来是正确的指代,那么被交换的指代就是负例了,那么就采用Triplet Loss:
2.3 联合Loss
所以二者联合即可
2.4 整体结构
![](https://i-blog.csdnimg.cn/blog_migrate/e3c50a6b0657ff34bbc3261d7445ca9c.jpeg)
2.5 试验结果
![](https://i-blog.csdnimg.cn/blog_migrate/2224047ebcc0a50c30e5a54ee078a90e.jpeg)
往期精彩回顾
适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑温州大学《机器学习课程》视频
本站qq群851320808,加入微信群请扫码: