Upgrade to Pro — share decks privately, control downloads, hide ads and more …

事前学習済言語モデルの動向 (2) / Survey of Pretrained Language Models

Kyosuke Nishida
February 28, 2020

事前学習済言語モデルの動向 (2) / Survey of Pretrained Language Models

@東工大・産総研 勉強会

Kyosuke Nishida

February 28, 2020
Tweet

More Decks by Kyosuke Nishida

Other Decks in Research

Transcript

  1. 事前学習済⾔語モデルの
    動向
    2020/02/28
    ⻄⽥京介
    1

    View Slide

  2. • 24層の巨⼤モデルで⼤量のデータで事前学習して汎⽤なモ
    デルを獲得し、各応⽤タスクに適応させるアプローチ
    • 2018/10/11に発表、現在までに3800件を越える被引⽤
    • 多数のNLPタスクで⾼い性能を実現して注⽬を浴びる
    2
    BERT [Devlin+ (Google), NAACLʼ19 Best Paper]

    View Slide

  3. • 質問に対してテキストを読み解いて回答するタスク
    3
    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

    View Slide

  4. • 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
    4
    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/

    View Slide

  5. 5
    BERTが検索エンジンに導⼊
    https://www.blog.google/products/search/search-language-understanding-bert/
    • 2019年10⽉25⽇(BERT発表から1年後)、Googleは検索エン
    ジンのアルゴリズムをBERTベースにアップデート
    • 2019年12⽉10⽇には⽇本語含む72⾔語に拡張

    View Slide

  6. 6
    ⾔語モデル研究の加速
    https://github.com/thunlp/PLMpapers に追加
    ALBERT
    ICLR 2020
    ACL 2019
    NeurIPS 2019
    EMNLP 2019
    T5
    BART
    2019/10〜
    Pegasus ERNIE-GEN
    ProphetNet
    Turing-NLG
    DistillBERT
    Q8BERT
    MegatronLM
    CTRL

    View Slide

  7. 時系列とモデルサイズ [Microsoft, 2020/02/10]
    https://medium.com/huggingface/distilbert-8cf3380435b5
    モデルのパラメータ数
    (x1M)
    BERT-LARGE
    340M=3.4億個のfloat値
    7
    Turing-NLG
    17B=170億個のfloat値
    https://www.microsoft.com/en-us/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft/

    View Slide

  8. • イントロダクション
    • モデルの分類とタスク
    • 初期のモデルについて(〜BERT)
    • その後のモデルについて(BERT〜)
    – Bidirectional LM(BERTタイプ)
    – Autoregressive LM(GPTタイプ)
    – Prefix LM(UniLMタイプ)
    – Encoder-Decoder(T5タイプ)
    • 今後の展望
    8
    ⽬次

    View Slide

  9. タイプ 主タスク 代表モデル
    Bi-directional LM NLU BERT, RoBERTa, ALBERT
    Autoregressive LM NLU/LM GPT, Turing-NLG
    Prefix LM NLU/Seq2Seq UniLM
    Encoder-Decoder NLU/Seq2Seq MASS, BART, T5
    9
    モデルの分類
    "
    #
    Bi-directional LM Prefix LM
    Autoregressive LM
    "
    #
    $
    $ "
    #
    # $ &
    $
    "
    #
    "
    #
    "
    #
    #
    $
    " #
    Encoder-Decoder
    "
    # $
    • 事前学習モデルの構造と適⽤タスクが多様化してきた

    View Slide

  10. • GLUE
    – ⽂分類、⽂ペア類似度、⾔い換え、NLI
    • SuperGLUE
    – QA、NLI、語義曖昧性解消、共参照解析
    • 抽出/選択型の機械読解
    – SQuAD 1.0/2.0, RACE
    • Winograd Schema Challenge
    NLUの主なタスク
    "
    #
    Bi-directional LM
    "
    #
    $
    $

    View Slide

  11. • ⾔語モデリング
    – WikiText-103
    – LAMBDA
    – CBT (Children’s Book Test)
    – Enwiki8
    – One Billion Word
    – PTB
    • Autoregressive LMではZero-shot QA, NMTなども多い
    11
    Language Modelingの主なタスク
    Autoregressive LM
    "
    #
    # $ &
    $

    View Slide

  12. • ⽣成型要約: CNN/DM, Xsum, Gigaword, etc.
    • 機械翻訳: WMT
    • ⽣成型QA: CoQA
    • 質問⽣成: SQuAD QG
    • 応答⽣成: Persona-chat
    12
    Sequence-to-Sequenceの主なタスク
    Prefix LM
    "
    #
    "
    #
    "
    #
    #
    $
    " #
    Encoder-Decoder
    "
    # $

    View Slide

  13. 初期のモデル
    13

    View Slide

  14. • LSTMによる系列分類に、⾃⼰回帰⾔語モデルあるいは系列
    オートエンコーダを事前学習して初期値として利⽤
    • IMDB、DBPediaのテキスト分類、CIFAR-10の画像分類
    14
    Semi-supervised Sequence Learning
    [Dai(Google)+, NIPS’15, arXiv’15/11] 被引⽤数548
    https://papers.nips.cc/paper/5949-semi-supervised-
    sequence-learning

    View Slide

  15. • エンコーダとデコーダを⾔語モデルとして個別に事前学習
    – アテンション等はFine-tuning時に計算
    – Fine-tuning時にも⾔語モデリングの損失で制約を付ける
    • 翻訳︓News Crawl English (Encoder) / German (Decoder)(>1B tokens)
    • 要約︓English Gigaword (Encoder/Decoder)
    15
    Pretrained Seq2Seq [Ramachandran(Google)+, EMNLP’17, arXiv’16/11] 被引⽤数 131
    https://www.aclweb.org/anthology/D17-1039

    View Slide

  16. • 3段階の学習︓汎⽤ドメインで事前学習、ターゲットタスクで⾔語モデル
    をfine-tuning、テキスト分類器として最終のfine-tuning
    • Fine-tuning時に忘却を防ぐため徐々にunfreezing
    16
    ULMFit [Howard(fast.ai)+, ACL’18, arXiv’18/01] 被引⽤数 640
    https://www.aclweb.org/anthology/P18-1031

    View Slide

  17. • ⽂字レベルの双⽅向LSTM⾔語モデル(left-to-rightとright-to-left)
    • 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
    17
    ELMo [Peters(AI2)+, EMNLP’18, arxiv’18/02] 被引⽤数2412←1538(※11⽉)
    https://www.aclweb.org/anthology/N18-1202.pdf ※図はBert論⽂から

    View Slide

  18. • 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
    18
    GPT [Radford(OpenAI)+, TechRep’18/06] 被引⽤数662←382
    https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-
    unsupervised/language_understanding_paper.pdf

    View Slide

  19. • ⾔語モデルが応⽤タスク(downstream tasks)をファイン
    チューニングする前の事前学習として有効であることを⽰す
    19
    GPT [Radford(OpenAI)+, TechRep’18/06] 被引⽤数662←382
    https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-
    unsupervised/language_understanding_paper.pdf

    View Slide

  20. • 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
    20
    BERT [Devlin(Google)+, NAACL’19, arxiv’18/11] 被引⽤数3871←1997
    https://www.aclweb.org/anthology/N19-1423.pdf

    View Slide

  21. • ⽳埋め問題(Masked Language Model)
    • 次の⽂予測(Next Sentence Prediction)の2タスクで学習
    21
    BERT [Devlin(Google)+, NAACL’19, arxiv’18/11] 被引⽤数3871←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

    View Slide

  22. Bi-directional LM
    22
    "
    #
    Bi-directional LM
    "
    #
    $
    $

    View Slide

  23. • 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
    23
    MT-DNN [Liu(MS)+, ACL’19, arxiv’19/01] 被引⽤数139←65
    https://www.aclweb.org/anthology/P19-1441.pdf
    単⽂の分類,
    2⽂の分類
    など

    View Slide

  24. • パラレル翻訳コーパスを⽤いて、クロスリンガルに⽳埋めを学習
    • エンコーダとデコーダのそれぞれの事前学習として⽤いて(?)、教師無し
    翻訳、教師あり翻訳に利⽤
    24
    XLM [Lample(Facebook)+, NeurIPS’19, arxiv’19/01] 被引⽤数131←69
    英語 フランス語
    https://papers.nips.cc/paper/8928-cross-
    lingual-language-model-pretraining.pdf

    View Slide

  25. • バイオドメインに特化したBERTを作成
    • BERTのweightを初期値として,PubMed, PMCのコーパスにより学習
    • バイオ関連のNERやQAにて通常のBERTより⾼い性能
    25
    BioBERT [Lee(Korea U)+, BioInfomatics (2020), arxiv’19/01/25] 被引⽤数140
    https://academic.oup.com/bioinformatics/arti
    cle/36/4/1234/5566506

    View Slide

  26. • 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
    26
    ERNIE 1.0 (Baidu) [Sun+, arXiv’19/04] 被引⽤数30<-19
    https://arxiv.org/abs/1904.09223

    View Slide

  27. • 知識グラフ(エンティティ)の情報をfusion
    • GLUEではBERTと同程度だが,知識が必要となるEntity Typing
    などのタスクでSOTA
    27
    ERNIE (Tsinghua) [Zhang+, ACL’19, arxiv’19/05] 被引⽤数36←17
    https://arxiv.org/pdf/1905.07129

    View Slide

  28. • 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] 被引⽤数325←112
    https://papers.nips.cc/paper/8812-xlnet-generalized-autoregressive-pretraining-
    for-language-understanding

    View Slide

  29. • 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
    29
    SpanBERT [Joshi(Washington U, Facebook)+, arXiv’19/07] 被引⽤数30←11
    https://arxiv.org/abs/1907.10529

    View Slide

  30. • 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)
    30
    ERNIE 2.0 [Sun(Baidu)+, arxiv’19/07] 被引⽤数13←5
    https://arxiv.org/abs/1907.12412

    View Slide

  31. • 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
    31
    RoBERTa [Liu(Facebook)+, ICLR’20(rejected), arxiv’19/07] 被引⽤数84←22
    https://arxiv.org/abs/1907.11692

    View Slide

  32. • 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
    32
    StructBERT (ALICE) [Wang(Alibaba)+, arxiv’19/08] 被引⽤数2←1
    https://arxiv.org/abs/1908.04577

    View Slide

  33. • テキスト中のエンティティ表現について知識ベースのエン
    ティティベクトル表現により拡張する
    – エンティティリンキングも同時学習可能
    • エンティティ集合/ベクトルは、Wikipediaコーパスのタイト
    ルとそのWord2Vecベクトル
    33
    KnowBERT [Peters(AI2)+, EMNLP’19, arXiv’19/09] 被引⽤数4
    https://www.aclweb.org/anthology/D19-1005.pdf

    View Slide

  34. • 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] 被引⽤数10←2
    https://arxiv.org/pdf/1910.01108.pdf
    https://medium.com/huggingface/distilbert-8cf3380435b5

    View Slide

  35. • 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] 被引⽤数3←1
    https://arxiv.org/abs/1910.06188

    View Slide

  36. • 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
    36
    ALBERT [Lan(Google)+, ICLR’20, arxiv’19/09/26] 被引⽤数48←3
    https://arxiv.org/abs/1909.11942

    View Slide

  37. 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
    37
    ALBERT [Lan(Google)+, ICLR’20, arxiv’19/09/26] 被引⽤数48←3
    ALBERTでは
    各層でパラメータを
    共有する

    View Slide

  38. 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
    38
    ALBERT [Lan(Google)+, ICLR’20, arxiv’19/09/26] 被引⽤数48←3
    V = 30000
    H=768
    E=128

    View Slide

  39. 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
    39
    ALBERT [Lan(Google)+, ICLR’20, arxiv’19/09/26] 被引⽤数48←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

    View Slide

  40. • ⼊⼒形式: 1系列2セグメント.画像領域表現+キャプション単語
    • ⾔語表現モデル: BERT (base or large)
    • 画像表現+領域検出モデル: Faster-RCNN
    • 事前学習データ: COCO, Visual Genome, Conceptual Captions, SBU Captions
    • 事前学習タスク: Masked LM,Masked ROI 特徴回帰&意味クラス分類(KL最⼩化),
    テキスト-画像マッチング
    • 評価: VCR, VQA, Flicker30k, NLVR, SNLI-VE, RefCOCO+(全タスクで現在のSOTA)
    UNITER [Chen(Microsoft) +, ICLR20(rejected), arXiv19/09/25] 被引⽤数12←3
    https://arxiv.org/abs/1909.11740
    40

    View Slide

  41. • 「事前学習⾔語モデルを⽤いたVision & Languageの
    動向」2019/11/30
    • https://speakerdeck.com/kyoun/a-survey-of-pre-trained-
    language-models-for-vision-and-language
    41
    参考

    View Slide

  42. Autoregressive LM
    Autoregressive LM
    "
    #
    # $ &
    $

    View Slide

  43. • 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
    • 24層Transformer、アテンション可能な範囲は学習時384〜784, 評価時1600
    〜3800程度に設定して実験
    43
    Transformer XL [Dai(CMU) +,ACL’19, arxiv’19/01] 被引⽤数226←112
    https://arxiv.org/pdf/1901.02860.pdf

    View Slide

  44. • 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
    44
    GPT-2 [Radford(OpenAI)+, TechRep’19/02] 被引⽤数317←153
    https://d4mucfpksywv.cloudfront.net/better-language-
    models/language_models_are_unsupervised_multitask_learners.pdf

    View Slide

  45. • フェイクニュースを⽣成可能なレベルだと話題に
    45
    GPT-2 [Radford(OpenAI)+, TechRep’19/02] 被引⽤数317←153
    https://twitter.com/OpenAI/status/1096092704709070851

    View Slide

  46. • 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)
    • フィールドτの情報はで囲んで系列に追加して
    与える
    • Common Crawlから収集したRealNewsデータセット(120GB)
    で学習
    46
    Glover [Zellers(Washington U)+, NeurIPS’19, arxiv’19/05] 被引⽤数34←10
    https://papers.nips.cc/paper/9106-defending-
    against-neural-fake-news

    View Slide

  47. • フェイクニュース⽣成のデモ
    47
    Glover [Zellers(Washington U)+, NeurIPS’19, arxiv’19/05] 被引⽤数34←10
    https://grover.allenai.org/

    View Slide

  48. • 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)
    48
    CTRL [Keskar(Salesforce)+, Tech.Rep’19/09] 被引⽤数14←3
    https://einstein.ai/presentations/ctrl.pdf

    View Slide

  49. • 72層、隠れ状態サイズ3072、⻑さ1024(パラメータ数8.3B; BERTの24倍の
    サイズ)
    • モデル並列化を使って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
    49
    MegatronLM [Shoeybi(NVIDIA)+, arxiv’19/10] 被引⽤数7←3
    https://arxiv.org/pdf/1909.08053.pdf

    View Slide

  50. • TransformerにおいてMLPとSelf-Attentionをモデルを分割して並列化する
    – MLP: レイヤーの重みA, Bを分割する
    – Self-Attention: Query, Key, Valueをヘッドに沿って分割する
    50
    MegatronLM [Shoeybi(NVIDIA)+, arxiv’19/10] 被引⽤数7←3
    https://arxiv.org/pdf/1909.08053.pdf

    View Slide

  51. • 対話応答⽣成に特化した事前学習.マルチターン対話を⻑い1テキストと
    して,その後に続く発話を⽣成
    • GPT-2をベースにし,Redditコメント対話147万件(1.8B単語)で追加学習.
    • DSTC-7では⾃動評価で⼈間より⾼いスコア
    51
    DialoGPT [ Zhang(Microsoft)+, arxiv’19/11] 被引⽤数3
    https://arxiv.org/abs/1911.00536

    View Slide

  52. • 78層、4256次元Transformer。パラメータ数17B
    • 学習にDeepSpeedライブラリを利⽤。オプティマイザZeRO
    [NeurIPS’19] のデータ並列化とMegatronLMのモデル並列化を
    併⽤
    52
    Turing-NLG [Rosset(Microsoft)+, blog’20/02/10]
    https://www.microsoft.com/en-us/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft/
    https://www.microsoft.com/en-us/research/blog/zero-deepspeed-new-system-optimizations-enable-training-models-with-over-100-billion-parameters/

    View Slide

  53. • ZeROはオプティマイザ状態、勾配、パラメータの3つを分割してメモリ
    量を削減
    – GPU数に応じて線形にメモリ削減が可能
    • 7.5Bモデルを64GPU/Adamで学習する際、120GB→1.9GBまで削減
    53
    Turing-NLG [Rosset(Microsoft)+, blog’20/02/10]
    https://www.microsoft.com/en-us/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft/
    https://www.microsoft.com/en-us/research/blog/zero-deepspeed-new-system-optimizations-enable-training-models-with-over-100-billion-parameters/

    View Slide

  54. Prefix-LM
    54
    Prefix LM
    "
    #
    "
    #
    "
    #
    #
    $

    View Slide

  55. • アテンションのマスクの⼊れ⽅で単⽅向・双⽅向・Seq2Seq
    を1モデルで制御
    • CNN/DMなどでSOTA
    55
    UniLM [Dong(Microsoft)+, NeurIPS’19, arxiv’19/05] 被引⽤数36←16
    https://arxiv.org/abs/1905.03197

    View Slide

  56. • Seq2seq事前学習.複数Fragmentの⽳埋め学習.WordとSpanの両レベルを
    考慮.⼈⼯トークンを使ってexposure biasを軽減.
    • 16GBの事前学習のみで,CNN/DM, GigawordsなどでSOTAに近い精度を達
    成.QGやPersona chatでもSOTA
    56
    ERNIE-GEN [Xiao (Baidu)+, arXiv’20/02/04] 被引⽤数0
    https://arxiv.org/abs/2001.11314

    View Slide

  57. • Targetと同じ⻑さの⼈⼯トークン系列を利⽤.アテンション
    のQueryに⼈⼯トークンを使うことで,直前のトークンに注
    視しすぎるのを防ぐ.
    • Decode時も⼈⼯トークンを利⽤して⽣成
    57
    ERNIE-GEN [Xiao (Baidu)+, arXiv’20/02/04] 被引⽤数0
    https://arxiv.org/abs/2001.11314

    View Slide

  58. Encoder-Decoder
    58
    "
    #
    Encoder-Decoder
    "
    # $

    View Slide

  59. • 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
    59
    MASS [Song(Microsoft)+, ICML’19, arXiv’19/05] 被引⽤数56←26
    http://proceedings.mlr.press/v97/song19d/song19d.pdf

    View Slide

  60. • 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
    60
    T5 [Raffel(Google)+, arXiv’19/10/23] 被引⽤数37←0
    https://arxiv.org/abs/1910.10683

    View Slide

  61. • 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
    61
    T5 [Raffel(Google)+, arXiv’19/10/23] 被引⽤数37←0
    https://arxiv.org/abs/1910.10683

    View Slide

  62. • Seq2Seq事前学習として,トークンマスク・削除,範囲マス
    ク,⽂の⼊替,⽂書の回転の複数タスクで学習.
    • CNN/DMでT5超え,WMT’16 RO-ENで逆翻訳を超えてSOTA
    62
    BART [Lewis(Facebook)+, arXiv’19/10/29] 被引⽤数7←0
    http://arxiv.org/abs/1910.13461

    View Slide

  63. 63
    BART [Lewis(Facebook)+, arXiv’19/10/29] 被引⽤数7←0
    • 分類問題にはencoderとdecoderに同じ⼊⼒を与える.
    • 翻訳では,⾔語マッピング⽤の追加のencoderを,英語で事
    前学習されたencoderの前に挿⼊する

    View Slide

  64. • マルチリンガル版BART。⾔語タグをつけて⽇本語含む25⾔語
    で学習して翻訳に適応。低リソースMTで精度が⼤幅に向上
    64
    mBART [Liu(Facebook)+, arXiv’20/01/23] 被引⽤数0
    https://arxiv.org/abs/2001.08210

    View Slide

  65. 65
    PEGASUS [Zhang(Google)+, arXiv’19/12/18] 被引⽤数2
    • 要約に特化したSeq2seq事前学習.EncoderでMLMしつつ,
    Decoderでは重要⽂(各⽂と残りのrougeスコア)の復元
    • 3.8Tのニュースデータセットで事前学習
    https://arxiv.org/abs/1912.08777

    View Slide

  66. • Seq2seq事前学習モデル.各時刻でn-gramを予測.セルフア
    テンションをn-gramの各要素ごとに⽤意したstreamで実施
    • CNN/DM, GigawordsなどでPegasus LARGEと同程度
    66
    ProphetNet [Yan(Microsoft)+, arXiv’20/01/13] 被引⽤数0
    https://arxiv.org/abs/2001.04063

    View Slide