ELECTRA模型简单介绍

云隐雾匿

已于 2023-05-30 10:33:05 修改

阅读量1.1k

点赞数 2

分类专栏： NLP 文章标签：机器学习人工智能自然语言处理深度学习

于 2023-05-30 10:25:03 首次发布

本文链接：https://blog.csdn.net/weixin_45684362/article/details/130941601

版权

NLP 专栏收录该内容

18 篇文章 1 订阅

订阅专栏

一、整体概要

ELECTRA（Efficiently Learning an Encoder that Classifies Token Replacements Accurately）采用了一种“生成器——判别器”结构，其与生成式对抗网络（Generative Adversarial Net，GAN）的结构非常相似。ELECTRA的整体模型结构如下图所示。

图中可以看到ELECTRA是由生成器（Generator）和判别器（Discriminator）串联起来的一个模型。这两个部分的作用如下。

（1）生成器。一个小的掩码语言模型（MLM），即在 [MASK]的位置预测原来的词；

（2）判别器。判断输入句子中的每个词是否被替换，即使用替换词检测（Replaced Token Detection，RTD）预训练任务，取代了BERT模型原始的MLM。需要注意的是这里并没有使用下一个句子预测（NSP）任务。

接下来，我们将结合图中的例子，详细介绍生成器和判别器的建模方法。

二、生成器

对于生成器来说，其目的是将带有掩码的输入文本x= x 1， ···，xn ，通过多层Transformer模型学习到上下文语义表示 h = h 1， ···， h n，并还原掩码位置的文本，即BERT中的MLM任务。需要注意的是，这里只预测经过掩码的词，即对于某个掩码位置t，生成器输出对应原文本 xt 的概率 $P_{}^{G} \in \mathbb{R}_{}^{|V|}$ （|V|是词表大小）：

式中， $w^{_{e}^{}}\in \mathbb{R}_{}^{|V|\times d}$ 表示词向量矩阵； $h_{t}^{G}$ 表示原文本xt 对应的隐含层表示。

还是以上图为例，原始句子 x = x 1 x 2 x 3 x 4 x 5 如下：

the chef cooked the meal

经过随机掩码后的句子如下，记 M = {1, 3} 为所有经过掩码的单词位置的下标，记 $x^{^{m}}=m_{1}x_{2}m_{3}x_{4}x_{5}$ 为经过掩码后的输入句子，如下所示：

[MASK] chef [MASK] the meal

那么生成器的目标是将m 1 还原为x 1 （即the），将m 3 还原为x 3 （即cooked）。在理想情况下，即当生成器的准确率为100%时，掩码标记 [MASK] 能够准确还原为原始句子中的对应单词。然而，在实际情况下，MLM的准确率并没有那么高。如果直接将掩码后的句子 $x^{m}$ 输入生成器中，将产生采样后的句子 $x^{s}$ ：

the chef ate the meal

从上面的例子可以看到，m 1 通过生成器成功地还原出单词the，而m3 采样（或预测）出的单词是ate，而不是原始句子中的cooked。

生成器生成的句子将会作为判别器的输入。由于通过生成器改写后的句子中不包含任何人为预先设置的符号（如 [MASK]），ELECTRA通过这种方法解决了预训练和下游任务输入不一致的问题。

三、判别器

受MLM准确率的影响，通过生成器采样后的句子 $x^{s}$ 与原始句子有一定的差别。接下来，判别器的目标是从采样后的句子中识别出哪些单词是和原始句子 x 对应位置的单词一样的，即 替换词检测 任务。上述任务可以通过二分类方法实现。

对于给定的采样句子 $x^{s}$ ，通过Transformers模型得到对应的隐含层表示 $h^{D} = h_{1}^{D}\cdots h_{n}^{D}$ 。随后，通过一个全连接层对每个时刻的隐含层表示映射成概率。

式中， $w\in \mathbb{R}^{d}$ 表示全连接层的权重（d表示隐含层维度）；M表示所有经过掩码的单词位置下标；σ表示Sigmoid激活函数。假设1代表被替换过，0代表没有被替换过，则生成器采样生成的句子“the chef ate the meal”对应的预测标签如下，可以记为 y = y1···yn，即：

00100

四、模型训练

生成器和判别器分别使用以下损失函数训练：

最终，模型通过最小化以下损失学习模型参数：

式中，X 表示整个大规模语料库； $\Theta ^{G}$ 和 $\Theta ^{D}$ 分别表示生成器和判别器的参数。

注意：由于生成器和判别器衔接的部分涉及采样环节，判别器的损失并不会直接回传到生成器，因为采样操作是不可导的。另外，当预训练结束后，只需要使用判别器进行下游任务精调，而不再使用生成器。

五、其它改进

（1）更小的生成器。通过前面的介绍可以发现，生成器和判别器的主体结构均由BERT组成，因此两者完全可以使用同等大小的参数规模。但这样会导致预训练的时间大约为单个模型的两倍。为了提高预训练的效率，在ELECTRA中生成器的参数量要小于判别器。具体实现时会减小生成器中Transformer的隐含层维度、全连接层维度和注意力头的数目。对于不同模型规模的判别器，其缩放比例也不同，通常在1/4～1/2之间。以ELECTRA-base模型为例，缩放比例是1/3。下表展示了

ELECTRA-base 模型的生成器和判别器的各项参数大小对比。

为什么是减小生成器的大小，而不是判别器的大小？因为上文讲到生成器只会在预训练阶段使用，而在下游任务精调阶段是不使用的，因此减小生成器的大小是合理的。

（2）参数共享 。为了实现更灵活的建模目的，ELECTRA首先引入了词向量因式分解方法，通过全连接层将词向量维度映射到隐含层维度。由于上面讲到，ELECTRA使用了一个更小的生成器，因此生成器和判别器之间无法直接进行参数共享。在ELECTRA中，参数共享只限于输入层权重，其中包括词向量和位置向量矩阵。

云隐雾匿

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
ELECTRA模型简单介绍

通过前面的介绍可以发现，生成器和判别器的主体结构均由BERT组成，因此两者完全可以使用同等大小的参数规模。注意：由于生成器和判别器衔接的部分涉及采样环节，判别器的损失并不会直接回传到生成器，因为采样操作是不可导的。因为上文讲到生成器只会在预训练阶段使用，而在下游任务精调阶段是不使用的，因此减小生成器的大小是合理的。需要注意的是，这里只预测经过掩码的词，即对于某个掩码位置t，生成器输出对应原文本 xt 的概率。接下来，判别器的目标是从采样后的句子中识别出哪些单词是和原始句子 x 对应位置的单词一样的，即。
复制链接

扫一扫