预训练模型 | ELECTRA: Efficiently Learning an Encoder that Classifies Token Replacements Accurately

ELECTRA 与现有的生成式的语言表示学习方法相比，判别式的预训练任务具有更高的计算效率和参数效率。

• 计算效率：训练判别器分辨每一个 token 是否被替换，而不是 MLM 那样训练网络作为生成器预测被损坏的 15% token 的原始 token，从而使模型从所有的输入 token 中学习而不是 MLM 中那样仅从 masked 的部分 token 学习。此外，生成器与判别器共享token embedding以及判别器使用的二分类而非V分类任务也有效提升了训练效率。
• 参数效率：最终得到的判别式分类器不必对完整的数据分布进行建模。

ELECTRA和BERT最大的不同应该是在于两个方面：

• masked(replaced) tokens的选择
• training objective（生成式的Masked language model(MLM)预训练任务改成了判别式的Replaced token detection(RTD)任务）

不随机mask，去专门选那些对模型来说学习困难的token。

 

train一个简单的MLM，当做模型对训练难度的先验，简单的自动过滤（在这里就是sample出来的和原句子一样），复杂的后面再学。举“我想吃苹果”这个例子。比如我这里还是mask为“我想吃苹[MASK]”，MLM这个生成器可以以很高的概率sample到“果”，但是对“我[MASK]吃苹果”，MLM就很难说大概率采样到“想”了，也可能是“不”、“真”等等……总的来说，MLM的作用就是为自动选择masked tokens提供了一种非常有效的方法！

ELECTRA另辟蹊径，用一个二分类去判断每个token是否已经被换过了。这就把一个DAE（或者LM）任务转换为了一个分类任务（或者序列标注）。这有两个好处：（1）每个token都能contribute to some extent；（2）缓解distribution的问题。第一点是和MLM联系起来的（这也是ELECTRA精妙的地方了）。如果MLM牛逼，那么discriminate的难度就很大，从而就可以看作是hard example。第二点是，如果我们像BERT那样去预测真正的token，也即通过一个classifier 的话，那么它相比二分类器 而言就需要更多的计算量，而且还要suffer 由于 较大导致的分布问题。

以上两点总结起来就是：

 

性能

 

 

首先是对小模型的表现。观察第二列中的Train / Infer FLOPs 以及最后一列的 GLUE 均分，同等计算成本下，效果超过 BERT-Small，甚至略高于计算成本更高的GPT，而且参数量极小。而且ELECTRA-Base 模型也优于 BERT-Base ，甚至优于 BERT-Large (GLUE得分84.0)。这正是ELECTRA所追求的以较少的计算量获得出色的结果，从而扩大在 NLP 中开发和应用预训练模型的可行性。

再看大模型的表现（此时用的 XLNet 使用的数据集）。同样观察第二列与最后一列，ELECTRA与当前 RoBERTa 的性能相匹配，但是计算时间仅为其 1 / 4。

综上，与 MLM 相比，ELECTRA 的预训练目标具有更高的计算效率，并且可以在下游任务上实现更好的性能。尤其是在小模型上，其表现相当亮眼。

最后分享一个原文作者对模型的理解：论文第四节中提到，本文的工作可以看做是带有负采样的 CBOW 的大规模版本，将 CBOW 的 BOW encoder 换成 Transformer，将基于 unigram 的负采样换成了基于小型 MLM 生成器的负采样，并且将任务重新定义为关于输入令牌是否来自数据的二分类任务。

这个解释很有意思，MLM 完成负采样，transformer 作为判别器，对所有 token 做二分类任务，这样不仅能从所有 token 中学习，而且二分类任务相比直接生成 token 的 分类任务要简单，计算量也小，实在是精妙。

[ 参考 1 ]

[ 参考 2 ]