Share
Embed
Transcript
56 slides
-
• BERTの概要 • 事前学習⾔語モデルの研究の流れ – 2019/06まで(BERT, GPT-2, XLNet等) – 2019/07〜(RoBERTa,
ALBERT, T5等) • 注⽬データセットの現状のスコア • 今後の展望 2 ⽬次 -
• 質問に対してテキストを読み解いて回答するタスク 4 BERTが優れた性能を達成したタスクの例︓ SQuAD 1.1 [Rajupurkar (Stanford)+, EMNLP16] ⼊⼒︓テキスト
⼊⼒︓質問 出⼒︓回答 Wikipediaの段落(平均140単語) 無料で公開 クラウドソーシングで作成した 100,000件以上の質問・回答ペア テキスト中の任意の 範囲を抽出して回答 -
• このタスクに特化したニューラルネット構造を持たずに、 ⼈間の質問応答スコアを⼤きく超える性能を達成 5 機械読解 (SQuAD 1.1) で⼈間超え 完全⼀致 部分⼀致
⼈間のスコア 82.304 BERTのスコア 87.433 Jacob Devlin et al.: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. CoRR abs/1810.04805 (2018) https://rajpurkar.github.io/SQuAD-explorer/ -
7 ⾔語モデル研究の加速 https://github.com/thunlp/PLMpapers に追加 ALBERT ICLR 2020 (投稿中) ACL 2019
NeurIPS 2019 EMNLP 2019 T5 BART 2019/10 -
• ERNIE: Enhanced Language Representation with Informative Entities. Zhengyan Zhang,
Xu Han, Zhiyuan Liu, Xin Jiang, Maosong Sun and Qun Liu. ACL 2019. [pdf] [code & model] • Multi-Task Deep Neural Networks for Natural Language Understanding. Xiaodong Liu, Pengcheng He, Weizhu Chen, Jianfeng Gao. ACL 2019. [pdf] [code & model] • BERT Rediscovers the Classical NLP Pipeline. Ian Tenney, Dipanjan Das, Ellie Pavlick. ACL 2019. [pdf] • How multilingual is Multilingual BERT?. Telmo Pires, Eva Schlinger, Dan Garrette. ACL 2019. [pdf] • What Does BERT Learn about the Structure of Language?. Ganesh Jawahar, Benoît Sagot, Djamé Seddah. ACL 2019. [pdf] • Probing Neural Network Comprehension of Natural Language Arguments. Timothy Niven, Hung-Yu Kao. ACL 2019. [pdf] [code] • ※ BERTを引⽤した論⽂はACL19で180本(全体の27%)程度︖ 「BERT devlin P19 site:aclweb.org filetype:pdf -Supplementary.pdf」 で検索 9 BERTの拡張/分析論⽂@ACL’19 https://github.com/thunlp/PLMpapers -
• BERT: 論⽂がarXivに公開: 2018/10/11 • BERT: コード&学習済みモデル公開: 2018/11/1 • NAACL’19:
投稿〆切: 2018/12/10 • ACL’19: 匿名期間開始: 2019/2/4 • BERT: NAACL’19に採択判明: 2019/3/1 • ACL’19: 投稿〆切: 2019/3/4 • ACL’19: 採択通知: 2019/5/13 • BERT: NAACL’19で発表&ベストペーパー: 2019/7/2 • ACL’19: 本会議: 2019/07/29-31 10 ACL 2019とBERT関連のImportant Dates トップ会議における After BERTの世界はこれから本格的に始まる︕ 今回のACL’19論⽂の arxivは2018/12〜 2019/02あたり -
• BERTの概要 • 事前学習⾔語モデルの研究の流れ – 2019/06まで(BERT, GPT-2, XLNet等) – 2019/07〜(RoBERTa,
ALBERT, T5等) • 注⽬データセットの現状のスコア • 今後の展望 11 ⽬次 -
• ⽂字レベルの双⽅向(left-to-rightとright-to-left)・2層LSTM⾔ 語モデル • 1B Word Benchmark で学習 • ELMoを特徴ベクトルとしてニューラルモデルで使いSQuAD等
で⾼精度 12 ELMo [Peters(AI2)+, EMNLP’18, arxiv’18/02] 引⽤数1538 https://www.aclweb.org/anthology/N18-1202.pdf ※図はBert論⽂から -
• 12層Transformerの⾃⼰回帰⾔語モデル (left-to-right) – LSTMからTransformerへ、ワードからサブワードへ • BookCorpus (5.5GB程度; 800M words)で学習
13 GPT [Radford(OpenAI)+, TechRep’18/06] 引⽤数382 https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language- unsupervised/language_understanding_paper.pdf -
• Transformerの24層双⽅向⾔語モデル • Wikipedia + BookCorpus (16GB, 3300M words) で学習
– 巨⼤なモデル・多数のデータの流れができる • GLUE, SQuAD等の注⽬タスクで劇的な精度向上、⼀部⼈間超え 15 BERT [Devlin(Google)+, NAACL’19, arxiv’18/11] 引⽤数1997 https://www.aclweb.org/anthology/N19-1423.pdf -
• ⽳埋め問題(Masked Language Model) • 次の⽂予測(Next Sentence Prediction)の2タスクで学習 16 BERT
[Devlin(Google)+, NAACL’19, arxiv’18/11] 引⽤数1997 [CLS] my dog is cute [SEP] he likes play [MASK] [SEP] 2⽂⽬ 1⽂⽬ IsNext my dog is cute [SEP] he likes play piano [SEP] 分類 ⽳埋め 双⽅向 -
• BERTの上にマルチタスク層を追加してファインチューニング することでBERTがより良い表現を獲得 • Scratchから作るのではなく、既存の⾔語モデルをベースにし た研究 17 MT-DNN [Liu(MS)+, ACL’19,
arxiv’19/01] 引⽤数65 https://www.aclweb.org/anthology/P19-1441.pdf 単⽂の分類, 2⽂の分類 など -
• 系列⻑に制限のあった既存モデルに対して、セグメントレベルの再帰を ⼊れることにより⻑い系列を扱えるように改善 19 Transformer XL [Dai(CMU) +,ACL’19, arxiv’19/01] 引⽤数112
https://arxiv.org/pdf/1901.02860.pdf -
• 48層Transformerの⾃⼰回帰⾔語モデル(構造はGPTと同じ) • WebText (40GB程度)で学習 • 特別な訓練なしに(zero-shot)翻訳,QAが可能 20 GPT-2 [Radford(OpenAI)+,
TechRep’19/02] 引⽤数153 https://d4mucfpksywv.cloudfront.net/better-language- models/language_models_are_unsupervised_multitask_learners.pdf -
• エンティティとフレーズの外部知識を使ってマスクに利⽤ • 中国語タスクで評価 • Whole word masking [google 5/31
on github] に近いイメージ 22 ERNIE 1.0 (Baidu) [Sun+, arXiv’19/04] 引⽤数19 https://arxiv.org/abs/1904.09223 -
• ドメイン、⽇付、著者などを条件とした⽣成を可能にした GPT(トークンで条件付け) • Common Crawlから収集したRealNewsデータセット(120GB) で学習 24 Glover [Zellers(Washington
U)+, NeurIPS’19, arxiv’19/05] 引⽤数10 https://arxiv.org/pdf/1905.12616.pdf -
• Encoder-Decoder型の⽣成モデルのための事前学習 • ⼊⼒から1つの範囲をマスクして,decoder側ではマスクされ た部分を予測 • 教師なし翻訳 newstest2014 En-FrなどでSOTA 26
MASS [Song(Microsoft)+, ICML’19, arXiv’19/05] 引⽤数26 http://proceedings.mlr.press/v97/song19d/song19d.pdf -
• Sequence-to-sequenceを可能にした⾔語モデル • アテンションのマスクの⼊れ⽅で単⽅向・双⽅向・Seq2Seq を制御 • CNN/DMなどでSOTA 27 UniLM [Dong(Microsoft)+,
NeurIPS’19, arxiv’19/05] 引⽤数16 https://arxiv.org/abs/1905.03197 -
• ⾃⼰回帰(単⽅向)モデルと双⽅向の両⽅の利点を得ることを⽬指す • モデルに⼊⼒するトークンの順序を permutation する • GLUEなどでBERTを超える精度を達成 28 XLNet
[Yang(CMU)+, NeurIPS’19, arxiv’19/06] 引⽤数112 https://arxiv.org/pdf/1906.08237.pdf -
• BERTの概要 • 事前学習⾔語モデルの研究の流れ – 2019/06まで(BERT, GPT-2, XLNet等) – 2019/07〜(RoBERTa,
ALBERT, T5等) • 注⽬データセットの現状のスコア • 今後の展望 29 ⽬次 -
• i.i.d.ではなく範囲でマスクし,同時に範囲の境界も予測する • 1セグメントにして次⽂予測(NSP)を廃⽌ • 通常のBERTに⽐べて精度向上を確認 30 SpanBERT [Joshi(Washington U,
Facebook)+, arXiv’19/07] 引⽤数11 https://arxiv.org/abs/1907.10529 -
• マルチタスク事前学習 – 単語レベル(知識マスク,⼤⽂字,単語が他のセグメントで出るか) – 構造レベル(⽂の順序,出現場所) – 意味レベル(談話構造,検索) • GLUEでBERT、XLNetを超えてSOTA(リーダーボードには載ってない)
31 ERNIE 2.0 [Sun(Baidu)+, arxiv’19/07] 引⽤数5 https://arxiv.org/abs/1907.12412 -
• BERTと同じ構造で、いろいろな⼯夫を盛り込むことで⼤幅な精度向上 – より⼤きなバッチサイズを使う(256から8192) – より多くのデータを使う(16GBから160GB) – より⻑いステップ数の学習をする(BERT換算で16倍程度) – 次⽂予測(NSP)は不要
• GLUEでBERT、XLNetを超える精度 32 RoBERTa [Liu(Facebook)+, ICLR’20(投稿中), arxiv’19/07] 引⽤数22 https://arxiv.org/abs/1907.11692 -
• NSPに変わる学習の⽬的関数を⼯夫 – マスクした上で単語の順番をシャッフルして元に戻す – ランダム・正順・逆順の3種類を分類 • BERTと同サイズ、同データでGLUEでRoBERTa超え 33 StructBERT
(ALICE) [Wang(Alibaba)+, arxiv’19/08] 引⽤数1 https://arxiv.org/pdf/1908.04577.pdf -
• 蒸留により12層BERTを6層に⼩型化(40%減) – BERTの出⼒を教師として、⽣徒(⼩型モデル)が同じ出⼒を出すように学習 – 幅(隠れ層)のサイズを減らすと、層数を減らすよりも悪化 • 推論は60%⾼速化、精度は95%程度保持 34 DistilBERT
[Sanh(Huggingface)+, NeurIPS WS’19, arxiv’19/10] 引⽤数2 https://arxiv.org/pdf/1910.01108.pdf https://medium.com/huggingface/distilbert-8cf3380435b5 -
• 精度を落とさずfine-tuning時にBERTを8bit整数に量⼦化 – Embedding, FCは8bit化,softmax, Lnorm, GELUはFP32をキープ • モデルサイズ1/4, 速度
3.7x 35 Q8BERT [Zafrir(Intel)+, NeurIPS WS’19, arXiv’19/10] 引⽤数1 https://arxiv.org/abs/1910.06188 -
• 条件付⾔語モデル.条件となる制御テキストを本⽂の前に与 えて学習. • 48層/1280次元Transformer(パラメータ数1.6B) 36 CTRL [Keskar(Salesforce)+, Tech.Rep’19/09] 引⽤数3
https://einstein.ai/presentations/ctrl.pdf -
• 72層、隠れ状態サイズ3072、⻑さ1024(BERTの24倍のサイズ) • 174GBのテキストを512GPUで9.3⽇で学習 • 数⾏のPyTorchコード追加で8モデル並列、64データ並列を実現 37 MegatronLM [Shoeybi(NVIDIA)+, arxiv’19/10]
引⽤数3 https://arxiv.org/pdf/1909.08053.pdf -
• BERTの層のパラメータをすべて共有することで学習を⾼速化 – Largeを超えたモデルは学習が難しいため、表現⼒は落ちるが学習し易くした • 単語埋め込みを低次元にすることでパラメータ削減 • 次⽂予測を、⽂の順序⼊れ替え判定に変更 • GLUE,
RACE, SQuADでSOTAを更新 38 ALBERT [Lan(Google)+, ICLR’20(投稿中), arxiv’19/09/26] 引⽤数3 https://arxiv.org/abs/1909.11942 -
パラメータ共有 • BERT base (110M) の場合,12層のパラメータ数は85M • 各層で共有すれば,7.08Mまで削減 39 ALBERT
[Lan(Google)+, ICLR’20(投稿中), arxiv’19/09/26] 引⽤数3 ALBERTでは 各層でパラメータを 共有する -
Embedding Factorization • BERT base (110M) の場合,単語埋込のパラメータ数は24.5M • ALBERTではBottleneck構造することで3.93Mまで削減 40
ALBERT [Lan(Google)+, ICLR’20(投稿中), arxiv’19/09/26] 引⽤数3 V = 30000 H=768 E=128 -
Sentence Order Prediction (SOP) • BERTの次⽂予測(NSP)は,他の⽂書から負例を持ってくる ので,トピック判定に近く,問題が簡単になっている • 同⽂書の中の連続するセグメントの順序の⼊替え判定をする 41
ALBERT [Lan(Google)+, ICLR’20(投稿中), arxiv’19/09/26] 引⽤数3 [CLS] my dog is cute [SEP] he likes play [MASK] [SEP] 2⽂⽬ 1⽂⽬ 正順? my dog is cute [SEP] he likes play piano [SEP] 分類 ⽳埋め -
• NLPタスクを全てText-to-Textとして扱い,Enc-Dec Transformer を745GBのコーパスで事前学習して転移する(Text-To-Text Transfer Transformer) • モデルはEncoder-decoderのTransformer 42 T5
[Raffel(Google)+, arXiv’19/10/23] https://arxiv.org/abs/1910.10683 -
• 学習タスクをエンコーダデコーダに合わせて変更 • エンコーダ側で範囲を⽋落させて,デコーダ側で予測 • GLUE, SuperGLUE, SQuAD 1.1, CNN/DMでSOTA更新
43 T5 [Raffel(Google)+, arXiv’19/10/23] https://arxiv.org/abs/1910.10683 -
• BERTの概要 • 事前学習⾔語モデルの研究の流れ – 2019/06まで(BERT, GPT-2, XLNet等) – 2019/07〜(RoBERTa,
ALBERT, T5等) • 注⽬データセットの動向 • 研究の⽅向性と今後の展望 45 ⽬次 -
46 GLUE (⾃然⾔語理解タスク群) ※11/1 ⼈間 T5(single): 89.7 ⼈間: 87.1 RoBERTa(ensemble):
88.5 BERT(single): 80.5 ALBERT(ensemble): 89.4 XLNet (ensemble): 88.4 -
47 SQuAD 2.0 (機械読解) ※ 11/1 ⼈間 ALBERT(ensemble): 89.731/92.215 ⼈間:
86.831/89.452 RoBERTa (single): 86.820/89.795 XLNet (single): 86.346/89.133 ALBERT(single): 88.107/90.902 -
• BERTの概要 • 事前学習⾔語モデルの研究の流れ – 2019/06まで(BERT, GPT-2, XLNet等) – 2019/07〜(RoBERTa,
ALBERT, T5等) • 注⽬データセットの現状のスコア • 研究の⽅向性と今後の展望 49 ⽬次 -
50 ⾔語モデル研究の⽅向性 • データを増やす,質を良くする • モデルサイズを⼤きくする • モデルサイズを⼩さくする / ⾼速化する
• 内部分析をする(アテンションの可視化など) • マスクの⽅法を⼯夫する • 補助タスク(次⽂予測など)を⼯夫する • 最適化⼿法を改善する(optimizer, mixed precision, 分散学習, etc.) • 系列⻑の制約を無くす • 外部知識を利⽤する • よいサブワードを考える • マルチタスクにする • マルチリンガルにする • マルチモーダル(⾔語+画像,⾳声など)にする • ⽣成タスク(Sequence-to-sequence)に適⽤する(Hot!) -
• 加算、減算、カウン ト、ソートなど演算 能⼒が必要な読解 データセット • 演算もニューラルに 任せるべきなのか︖ 53 DROP
[Dua(UCI)+,NAACL’19] Dheeru Dua et al.: DROP: A Reading Comprehension Benchmark Requiring Discrete Reasoning Over Paragraphs, arXiv https://arxiv.org/pdf/1903.00161.pdf -
• 複雑なクエリを含む Text-to-SQL (Semantic Parsing)のデータセット • 機械読解の研究として、知 識源がテキスト+データ ベースに拡張された設定に 拡張できるか︖
54 Spider [Yu(Yale U)+,EMNLP18] https://arxiv.org/pdf/1809.08887 Tao Yu et al.: Spider: A Large-Scale Human-Labeled Dataset for Complex and Cross-Domain Semantic Parsing and Text-to-SQL Task. EMNLP 2018: 3911-3921 -
• ⾔語+常識+ビジョンの理解 • ⾔語モデルと画像特徴量だけで ⽴ち向かえるのか︖ 55 Visual Commonsense Reasoning [Zellers
(U Washington)+, CVPR19] Rowan Zellers, Yonatan Bisk, Ali Farhadi, Yejin Choi: From Recognition to Cognition: Visual Commonsense Reasoning. CoRR abs/1811.10830 (2018) 画像と質問に対して、 回答と理由を選択