Automated Concatenation of Embeddings for Structured Prediction Wang et al., ACL-IJCNLP 2021 Kaito Sugimoto Aizawa Lab. M1 2021/09/06 1 / 22

どんな論文？ • ACL-IJCNLP 2021 (long paper) • 脚注によると著者が Alibaba の R&D 部門にインターンした際に 行われた研究らしい 2 / 22

どんな論文？ • Structured Prediction タスク（入力文のラベルや構造を予測するタ スク）をより上手く解く研究 • Neural Architecture Search (NAS) のアイデアを活用し, 最適な Embedding の組み合わせ方を強化学習として学習する • NER や Dependency Parsing などの 6 つのタスクで SOTA 3 / 22

背景 • NER タスクなどにおいて, BERT の Embedding を単独で用いるよ りも他のモデルの Embedding と連結して使う方が精度が良くな ることが知られていた 1 1Strakova et al., Neural Architectures for Nested NER through Linearization (ACL 2019) 4 / 22

背景 • 沢山種類がある言語モデルの Embedding から最も良い組み合わ せを考えることで性能を上げられないだろうか？ • しかし, L 種類の Embedding があった場合に, ありうる Embedding の連結の仕方は 2L − 1 通りあり, 全探索するのは困難 • タスクごとに効果的な Embedding の組み合わせが異なる可能性 も十分考えられる 5 / 22

背景 • そこで本研究では Neural Architecture Search (NAS) の考え方を取 り入れる • NAS においては通常, タスクごとにアーキテクチャ自体を探索す る. NLP でもこれまでタスクに応じた RNN や Transformer のより 良いアーキテクチャ探索の応用例がある • 今回は, モデルのアーキテクチャは探索しない（ラベル予測では BiLSTM-CRF で, 構造予測では BiLSTM-Biaffine で統一）. その代わ り, モデルの入力である Embedding の組み合わせ方を探索する. 6 / 22

提案手法のコンセプト • モデルのアーキテクチャではなく, モデルに入力する Embedding の組み合わせ方を探索する • アーキテクチャ自体を探索するよりも GPU 時間の少ない効率的 な方法だと主張している 7 / 22

手法 L を候補の Embedding の総数とする. a = ( a1 a2 ... aL ) をどの Embedding を使うか・使わないかの値とす る（強化学習における「行動」 ） 各 al は以下の 𝜽 = ( 𝜃1 𝜃2 ... 𝜃l ) をパラメータとする分布（強化学習 における「方策（Policy）関数」 ）に従ってサンプリングされる PCtrl l (al ; 𝜃l ) = { 𝜎(𝜃l ) 1 − 𝜎(𝜃l ) 流れとしては, 前のステップで計算された 𝜽 をもとに a をサンプルし, モデルを訓練して accuracy を計算. その accuracy の結果をもとに 𝜽 を更新する. この繰り返し. 8 / 22

手法 accuracy の計算 前のステップで計算された 𝜽 をもとに a をサンプルし, どの Embedding を使うかを決める（1 ステップ目は全部使う ∀l al = 1）. 以下の式のように, 使う Embedding 以外は 0 埋めされたベクトルが入 力になる. これを入力としてモデル（BiLSTM-CRF または BiLSTM-Biafiine）を訓 練し, evaluation データの accuracy を計算する. モデル自体は全ステップで同じものを使い続ける. 9 / 22

手法 𝜽 の更新 モデルの Accuracy を報酬としたとき, Vanilla Policy Gradient という強 化学習の手法 2 により, 𝜽 は前のステップから以下の分だけ更新すれ ばよいと求まる（初期状態は 𝜽 = 0）. （b は, この更新値の分散を小さくするための項で, 具体的にはその時 点までの accuracy の最高値を使えばよいとされる） 2『深層強化学習アルゴリズムまとめ』 https://qiita.com/shionhonda/items/ec05aade07b5bea78081 がわかりやすい 10 / 22

手法 著者らはさらに, どの Embedding がより accuracy の向上に寄与した のかを報酬関数に明示した方がよいのではないか？ と考え, 先程の式 を以下のように修正（実際に ablation study した際に効果的だった）. 11 / 22

実験 以下の 6 種類のタスクを行う • NER • POS Tagging（品詞タグ付け） • Chunking（"South Africa" のようなカタマリの抽出） • Aspect Extraction（品物のレビューなど, 意見や感情を含む文から それに関連する用語を抽出するタスク） • Syntactic Dependency Parsing • Semantic Dependency Parsing 12 / 22

実験 1. ベースラインとの比較 提案手法の探索がうまくいっているかを確かめるために, • 単純に全部の Embeddings を使った場合 • Random Search した場合（毎回ランダムに使う Embedding の組 み合わせを試す場合） と比較 Embedding の候補としては ELMo, Flair, BERT, Glove, fastText, Multilingual-BERT など 11 種類 （今回は fine-tuning は行わずに Embedding を生成する） 13 / 22

実験 （RANDOM も ALL を上回ることが多い） 14 / 22

実験 ランダムに組み合わせを試すよりも効率的 15 / 22

実験 2. SOTA との比較 実験 1. と異なり, モデルをタスクごとに fine-tuning してから Embedding を作成し, その組み合わせ方を提案手法で学習する Embedding の候補としてさらに XLNet と RoBERTa を追加. 16 / 22

実験 17 / 22

実験 18 / 22

実験 Embedding Weighting, Ensemble との比較 複数の Embedding の組み合わせ方は他にも考えられる • Embedding を選ぶか選ばないかを 0/1 で決めるのではなく, 連続 値の weight として考える All + weight 手法（つまり, Policy 関数で ある Sigmoid 関数の値をそのまま渡す） • それぞれの Embedding による予測結果の多数決で決める Ensemble 手法（この場合強化学習そのものが不要） これらに対して提案手法は優っているのか？ 19 / 22

実験 どれも僅差だが POS, AE で若干差が開いている Random も強いベースライン 20 / 22

実験 結局, どのモデルの Embedding が役に立つのか？ はっきりとした結論は出せなかった. タスクがラベル予測か構造予測か, あるいは文法的なタスクか意味的 なタスクか, で若干の傾向の違いはありそう. 21 / 22

感想 • NAS の考え方を Embedding の組み合わせ方に応用するだけで, こ こまで多くのタスクで SOTA を出せるのは面白い • 入力文の構造予測以外のタスクでも使えそうかどうかは気になる • 一方で, SOTA レベルのパフォーマンスを出すためには前提とし て沢山の fine-tuning モデルが必要であり, 前準備が大変である. そ こも含めて Huggingface のライブラリに組み込まれると便利そう 22 / 22