卡内基梅隆大学博士分享|神经语言模型的最新进展（内附71页PPT）

昨日，卡内基梅隆大学博士杨植麟受邀至清华大学计算机系进行主题为“神经语言模型的最新进展”的演讲。

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，他介绍了改进神经语言模型神经架构的最新进展：

  1. 超越Softmax瓶颈的高秩语言模型。

  2. 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。

  3. 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。

语言模型的秩是什么？—“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。

怎么样解决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

赞 (0)

相关推荐