【关于自训练 + 预训练 = 更好的自然语言理解模型 】 那些的你不知道的事
共 2700字,需浏览 6分钟
·
2021-02-22 07:40
作者:杨夕
个人github:https://github.com/km1994/nlp_paper_study/tree/master/bert_study/SelfTrainingImprovesPreTraining
论文标题:Self-training Improves Pre-training for Natural Language Understanding
论文地址:https://arxiv.org/abs/2010.02194
个人介绍:大佬们好,我叫杨夕,该项目主要是本人在研读顶会论文和复现经典论文过程中,所见、所思、所想、所闻,可能存在一些理解错误,希望大佬们多多指正。
【注:手机阅读可能图片打不开!!!】
目录
【关于自训练 + 预训练 = 更好的自然语言理解模型 】 那些的你不知道的事
目录
摘要
前期知识
预训练
自训练
区别
问题提出
论文方法
论文贡献
论文思路
自训练处理流程
参考
一、摘要
Unsupervised pre-training has led to much recent progress in natural language understanding. In this paper, we study self-training as another way to leverage unlabeled data through semi-supervised learning. To obtain additional data for a specific task, we introduce SentAugment, a data augmentation method which computes task-specific query embeddings from labeled data to retrieve sentences from a bank of billions of unlabeled sentences crawled from the web. Unlike previous semi-supervised methods, our approach does not require in domain unlabeled data and is therefore more generally applicable. Experiments show that self-training is complementary tostrong RoBERTa baselines on a variety oftasks. Our augmentation approach leads to scalable and effective self-training with improvements of up to 2.6% on standard text classification benchmarks. Finally, we also show strong gains on knowledge-distillation and few-shot learning.
无监督的预训练导致自然语言理解方面的最新进展。
在本文中,我们将自训练作为通过半监督学习利用未标记数据的另一种方法。
为了获得针对特定任务的其他数据,我们引入了SentAugment,这是一种数据增强方法,可从标记的数据计算特定于任务的查询嵌入,以从网上爬行的数十亿个未标记的句子中检索句子。
与以前的半监督方法不同,我们的方法不需要域内未标记的数据,因此更通用。
实验表明,自训练是在各种任务上的强RoBERTa基线的补充。我们的扩充方法可实现可扩展且有效的自我训练,并在标准文本分类基准上提高了2.6%。最后,我们还显示出在知识提炼和少量学习方面的巨大收获。
二、前期知识
2.1 预训练
预训练(Pre-training)从广义上来讲,是指先在较大规模的数据上对模型训练一波,然后再在具体的下游任务数据中微调。大多数情况下,预训练的含义都比较狭窄:在大规模无标注语料上,用自监督的方式训练模型。这里的自监督方法一般指的是语言模型。
2.2 自训练
自训练是说有一个Teacher模型Ft和一个Student模型Fs,首先在标注数据上训练Ft,然后用它对大规模无标注数据进行标注,把得到的结果当做伪标注数据去训练Fs。
2.3 区别
预训练和自训练都用到了大规模无标注的数据,只是二者的处理过程不同。而且,其中非常重要的一点是,预训练始终对针对一个模型进行操作,而自训练却用到了两个模型,前者是直接从无标注数据中学习,而后者是间接地从数据中学习。
三、问题提出
问题一: do pre-training and self-training capture the same information, or are they complementary?
问题二: how can we obtain large amounts of unannotated data from specific domains?
四、论文方法
问题二解决方法:提出 SentAugment 方法 从 web 上获取有用数据;
问题一解决方法:使用标记的任务数据训练一个 teacher 模型,然后用它对检索到的未标注句子进行标注,并基于这个合成数据集训练最终的模型。
五、论文贡献
结合自训练与预训练,比单纯的预训练取得了大幅度的效果提升;
为了使伪标注数据更加契合下游的具体任务,提出了SentAugment,一种特定领域的数据抽取方法,减少通用语料造成的噪声干扰;
在知识蒸馏和小样本学习任务上也取得了突出的结果,证明自训练+预训练的优越性。
六论文思路
6.1 自训练处理流程
将一个预训练模型(本文使用RoBERTa_Large)在标注数据上训练,作为教师模型Ft;
使用Ft从海量通用语料中提取相关领域的数据;
用Ft对提取的数据作标注;
用伪标注语料训练学生模型Fs。
其中的1,3,4步都是确定的,所以我们重点关注如何使用Ft从海量通用语料库D中抽取出领域相关的语料D'。
参考
香侬读 | 自训练 + 预训练
想学习更多资源,可以关注下方公众号