RoBERTa, DeBERTa (v1, v2, v3)

RoBERTa: A Robustly Optimized BERT Pretraining Approach

• Ref: RoBERTa 模型原理总结

---

• ​ RoBERTa 是 BERT 更为精细的调优版本。在模型规模、算力和数据上，与 BERT 相比主要有以下几点改进：
  • (1) 更大的模型参数量 (论文提供的训练时间来看，模型使用 1024 块 V100 GPU 训练了 1 天的时间)
  • (2) 更大 bacth size。RoBERTa 在训练过程中使用了更大的 bacth size。尝试过从 256 到 8000 不等的 bacth size
  • (3) 更多的训练数据（包括：CC-NEWS 等在内的 160GB 纯文本。而最初的 BERT 使用 16GB BookCorpus 数据集和英语维基百科进行训练）
• 另外，RoBERTa 在训练方法上有以下改进：
  • (1) 去掉下一句预测 (NSP) 任务
  • (2) 动态掩码。BERT 依赖随机掩码和预测 token。原版的 BERT 实现在数据预处理期间执行一次掩码，得到一个静态掩码。 而 RoBERTa 使用了动态掩码：每次向模型输入一个序列时都会生成新的掩码模式。这样，在大量数据不断输入的过程中，模型会逐渐适应不同的掩码策略，学习不同的语言表征
  • (3) 文本编码。Byte-Pair Encoding (BPE) 是字符级和词级别表征的混合，支持处理自然语言语料库中的众多常见词汇。原版的 BERT 实现使用字符级别的 BPE 词汇，大小为 30K，是在利用启发式分词规则对输入进行预处理之后学得的。Facebook 研究者没有采用这种方式，而是考虑用更大的 byte 级别 BPE 词汇表来训练 BERT，这一词汇表包含 50K 的 subword 单元，且没有对输入作任何额外的预处理或分词

DeBERTa: Decoding-enhanced bert with disentangled attention

• DeBERTa builds on RoBERTa with disentangled attention and enhanced mask decoder training with half of the data used in RoBERTa.

The DeBERTa Architecture

Disentangled Attention: A Two-Vector Approach to Content and Position Embedding

• 在 BERT 中，每个 token 只用一个向量表示，该向量为 word (content) embedding 和 position embedding 之和，而 DeBERTa 则对 token embed 进行解耦，用 content 和 relative position 两个向量来表示一个 token. 对于 token $i$，DeBERTa 将其表示为 { H i } \{H_i\} {Hi​} (content) 和 { P i ∣ j } \{P_{i|j}\} {Pi∣j​} (relative position)
• token $i$ 和 token $j$ 之间的 attention score 可以被分解为 4 个部分 (content-to-content, content-to-position, position-to-content, and position-to-position)：
  由于使用的是相对位置编码，因此作者认为第 4 项不重要可以省略。具体实现方法如下。设 $k=512$ 为可能的最大相对距离，$\delta (i,j)\in [0,2k)$ 为 token $i,j$ 的相对距离：
  上述相对距离可以用 embed 矩阵 $P\in {\mathbb{R}}^{2k\times d}$ 表示 (shared across all layers)。disentangled self-attention with relative position bias 可以表示为
  其中，$H\in {\mathbb{R}}^{N\times d}$，$P\in {\mathbb{R}}^{2k\times d}$ 分别为 content vectors 和 relative pos vectors，$N$ 为 token 数。$W_{q,c},W_{k,c},W_{v,c}\in {\mathbb{R}}^{d\times d}$ 为 projected content vectors $Q_c,K_c,V_c\in {\mathbb{R}}^{N\times d}$ 对应的投影矩阵，$W_{q,r},W_{k,r}\in {\mathbb{R}}^{d\times d}$ 为 projected relative position vectors $Q_r,K_r\in {\mathbb{R}}^{N\times d}$ 对应的投影矩阵

---

Handling long sequence input

• 由于采用了相对距离嵌入向量，DeBERTa 可以处理任意长度的输入向量，当 maximum relative distance 设为 $k$ 时，在同一层内的 token 可以直接与最多 $2k-1$ 个 token 进行交互，通过堆叠 Transformer 层，第 $l$ 层的 token 可以直接或间接地与最多 $(2k-1)l$ 个 token 进行交互
  

Enhanced Mask Decoder Accounts for Absolute Word Positions

• 对于预测任务而言，除了 content 和 relative position 以外，absolute position 信息也很重要，例如对于句子 “a new store opened beside the new mall”，store 和 mall 含义差不多，但它们所处位置不同，因此语法意义也不同，这里 store 是句子主语
• 为了弥补 absolute position 信息，DeBERTa 在做 masked token prediction 时直接将 absolute word position embeddings 加到了 softmax 前 (softmax 用于在 MLM 中输出 masked token 为各个单词的概率)

Scale Invariant Fine-Tuning (SiFT)

• DeBERTa 在微调时使用了一种新的对抗训练算法 Scale-invariant-Fine-Tuning (SiFT)
• 在 NLP 任务中，对抗训练通常是加在 word embedding 上，然而，不同 token 对应的 word embedding 的 norm 各不相同，并且模型参数越大 norm 的方差也就越大，这会使得训练过程不稳定。为此，SiFT 先将 word embeddings 归一化为概率向量，然后在归一化的 word embeddings 上添加扰动

Experiment

Ablation study

---

base model

---

Large model

---

Scale up to 1.5 billion parameters

DeBERTa v2

• (1) Vocabulary In v2 the tokenizer is changed to use a new vocabulary of size 128K built from the training data. Instead of a GPT2-based tokenizer, the tokenizer is now sentencepiece-based tokenizer.
• (2) nGiE(nGram Induced Input Encoding) The DeBERTa-v2 model uses an additional convolution layer aside with the first transformer layer to better learn the local dependency of input tokens.
• (3) Sharing position projection matrix with content projection matrix in attention layer Based on previous experiments, this can save parameters without affecting the performance.
• (4) Apply bucket to encode relative positions The DeBERTa-v2 model uses log bucket to encode relative positions similar to T5.
• (5) 900M model & 1.5B model Two additional model sizes are available: 900M and 1.5B, which significantly improves the performance of downstream tasks.

DeBERTa v3: Improving deberta using electra-style pre-training with gradient-disentangled embedding sharing

DeBERTa with Replaced token detection (RTD)

• DeBERTaV3 用 RTD 替代了 MLM. RTD 是 ELECTRA 提出的一种预训练任务。RTD 任务包含 generator 和 discriminator 两个 transformer encoders
• generator ${\theta }_G$ 使用 MLM 进行训练，用于生成替换 masked tokens 的 ambiguous tokens，损失函数如下：
  其中，$\mathcal{C}$ 为输入序列在 masked tokens 的序号集合，${\tilde{X}}_G$ 为含有 15% masked tokens 的 generator 输入
• discriminator ${\theta }_D$ 使用 RTD (Replaced Token Detection) 进行训练，用于检测输入序列中由 generator 生成的伪造 tokens。它的输入序列 ${\tilde{X}}_D$ 由 generator 的输出序列构造得到：
  对于 generator 生成的序列，如果 token $i$ 不属于 masked token，则保留 token $i$，如果 token $i$ 属于 masked token，则根据 generator 生成的概率分布采样出一个伪造的 token，最终可以得到 discriminator 的生成序列。discriminator 的损失函数为：
  也就是将 generator 伪造的错误 tokens 看作负样本，真实 tokens 看作正样本进行二分类
• 总的损失函数为
  

Gradient-Disentangled Embedding Sharing

Embedding Sharing (ES)

• 在 RTD 预训练时，ELECTRA 的 generator 和 discriminator 是共享 token embeddings $E$ 的，因此 $E$ 的梯度为
  这相当于是在进行 multitask learning，但 MLM 倾向于使得语义相近的 tokens 对应的 embed 也比较接近，而 RTD 则倾向于使得语义相近的 tokens 对应的 embed 相互远离 (方便进行区分)，这会使得训练的收敛速度很慢
  

No Embedding Sharing (NES)

• 为了验证上述猜想，作者实现了不共享 token embeddings 的模型版本。在训练的一个迭代中，先用前向+后向传播 ($L_{MLM}$) 训练 generator，再用前向+后向传播 ($\lambda L_{RTD}$) 训练 discriminator
  
• 在对 generator 和 discriminator 的 token embed 解耦后可以看到，$E_G$ 的 token embed 之间比较接近，而 $E_D$ 的 token embed 之间彼此远离，这证明了之前的猜想
  实验也进一步证明，不共享 token embeddings 可以有效提高模型收敛速度
  
• 然而，不共享 token embeddings 却损害了模型性能，这证明了 ELECTRA 论文中所说的 ES 的好处，除了 parameter-efficiency 以外，generator embed 能使得 discriminator 更好
  

Gradient-Disentangled Embedding Sharing (GDES)

• 为了结合 ES 和 NES 各自的优点，作者提出了 GDES. GDES 和 ES 一样，共享了 token embeddings，但只使用 $L_{MLM}$ 而不使用 $\lambda L_{RTD}$ 去更新 $E_G$，从而使得训练更加高效的同时还能利用 $E_G$ 去提升 discriminator 的性能。此外，作者还引入了一个初始化为 zero matrix 的 $E_{\Delta }$ 去适配 $E_G$：
  
• 在训练的一个迭代中，GDES 先用前向+后向传播 ($L_{MLM}$) 训练 generator ，并更新共享的 token embed $E_G$，再用前向+后向传播 ($\lambda L_{RTD}$) 训练 discriminator (只更新 $E_{\Delta }$，不更新 $E_G$). 模型训练完后，discriminator 最终的 token embed 即为 $E_G+E_{\Delta }$
  

Experiment

References

papers

• Liu, Yinhan, et al. “Roberta: A robustly optimized bert pretraining approach.” arXiv preprint arXiv:1907.11692 (2019).
• He, Pengcheng, et al. “Deberta: Decoding-enhanced bert with disentangled attention.” (ICLR 2021).
• DeBERTa v2
• He, Pengcheng, Jianfeng Gao, and Weizhu Chen. “Debertav3: Improving deberta using electra-style pre-training with gradient-disentangled embedding sharing.” arXiv preprint arXiv:2111.09543 (2021).

---

codes

• code: https://github.com/pytorch/fairseq (RoBERTa), https://github.com/microsoft/DeBERTa
• HuggingFace Transformers: https://github.com/huggingface/transformers (code), https://huggingface.co/models?filter=deberta, https://huggingface.co/models?other= deberta-v3 (model)