Press "Enter" to skip to content

神经语言模型的最新进展

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

杨植麟是卡内基梅隆大学计算机科学学院的四年级博士生,由Apple AI负责人Ruslan Salakhutdinov指导。在过去的三年中,他作为第一作者在ICIR、ICML、NeurIPSACL和EMNLP等顶级AI会议发表了10多篇论文,并且获得了Nvidia先锋研究奖,Facebook ParlAI研究奖,Nvidia博士奖学金和Siebel奖学金。他曾在Facebook AI Research和Google Brain工作,并与JasonWeston,Quoc V. Le,Yann Lecun,Yoshua Bengio和Chris Manning合作,曾在唐杰教授指导下,在本科时便发表多篇论文,并以GPA第一名的成绩获得了清华大学的学士学位。

 

在此次演讲中,他介绍了改进 神经架构的最新进展:

 

 

超越Softmax瓶颈的高秩语言模型。

 

用于建模长距离依赖性的Transformer网络。通过提出的技术,在六个主流语言建模数据集上取得世界第一的结果,包括enwiki8、text8、Penn Treebank、WikiText-2、WikiText-103和One Billion Words。

 

此外还介绍了HotpotQA,这是一个用于测试多步推理的挑战数据集。

 

 

以下是他此次演讲的主要内容

 

他首先提到了深度学习自然语言处理的最近趋势,如下:

 

优化语言建模目标的变量

 

用于下游任务的精细调优或特征提取

 

 

但是他随即表明挑战依然存在:

 

如何改进 神经语言模型

 

更困难的任务:多跳推理(multi-hop reasoning),可解释性

 

 

此次演讲内容依次为:

 

High-rank LM(高秩语言模型)

 

Transformer-XL

 

HotpotQA

 

 

第一部分:High-rank LM(高秩语言模型)

 

1.语言模型的构建:自回归因式分解

 

 

2. 带softmax的 神经语言模型 介绍:构建

 

因式分解

 

 

Softmax瓶颈:如果embedding size太小,则Softmax没有表达真实数据分布的能力。

 

 

语言模型的秩是什幺?—“base meanings”的最小值,需要线性地跨越整个对数概率空间。

 

高秩假设说明Softmax瓶颈是真实存在的。

 

 

怎幺样解决Softmax瓶颈?(基本思路)

 

 

提出的解决办法:Mixture ofSoftmaxes (MoS)

 

 

在Penn Treebank (PTB)、WikiText-2 (WT2)、One Billon WordDataset以及三个数据集集合上的实验效果,显示数据集越大,该方法的提升效果越明显。

 

 

总的来说,从softmax到MOS取得了很好的效果,其他的任务需要更高秩的表达,例如,摘要、对话、机器翻译、自动语音识别等。

 

 

第二部分:Transformer-XL

 

Transformer介绍:Transformer是Vaswani等人提出来的概念 Transformer  → Multi-Head Self-Attention +Positional Encoding。

 

Vanilla Transformer Language Models的构建步骤

 

 

Transformer-XL构建语言模型

 

 

Transformer-XL的训练

 

 

Transformer-XL的警告:

 

位置编码对于时态信息至关重要

 

标准位置编码不允许重用以前的状态

 

 

enwiki8、text8、Penn Treebank、WikiText-2、WikiText-103和One Billion Words数据集实验均显示State-of-the-art的结果。

 

 

第三部分:HotpotQA

 

他提到了《HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering》这篇论文,并给大家讲了“HotpotQA”这个数据集名称的由来,他和同学在纽约吃火锅的时候讨论到这个问题,说想要建立这样一个数据集,所以就起名叫

 

火锅QA,顺便还可以发扬一下中国的火锅,看样子,做这个数据集的同学们也是一群吃货呐。

 

接下来他给大家介绍了根据目前问答的研究现状,HotpotQA设计来实现跨多个文档的多跳推理。

 

 

实验数据集的统计与分析

 

 

在演讲的最后,他表示未来的工作主要有两项:

 

1. 将这些新的模型运用到预训练中

 

2. HotpotQA方法与BERT类似的方法进行比较

 

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注