Bert不完全手册4. 绕开BERT的MASK策略？XLNET & ELECTRA

基于随机token MASK是Bert能实现双向上下文信息编码的核心。但是MASK策略本身存在一些问题

MASK的不一致性：MASK只在预训练任务中存在，在微调中不存在，Bert只是通过替换部分的随机MASK来降低不一致性的影响
独立性假设：对MASK的预测是基于独立概率而不是联合概率，模型并不会考虑MASK之间的条件关联
MASK训练低效：每次只遮盖15%的token，每个batch的模型更新只基于这15%的input，导致模型训练效率较低

MASK有这么多的问题，那能否绕过MASK策略来捕捉双向上下文信息呢？下面介绍两种方案XLNET，Electra，它们使用两种截然不同的方案实现了在下游迁移的Encoder中完全抛弃MASK来学习双向上下文信息。正在施工中的代码库也接入了这两种预训练模型，同时支持半监督，领域迁移，降噪loss等模型优化项，感兴趣的戳这里>>SimpleClassification

XLNET

XLNET主要的创新在于通过排列组合的乱序语言模型，在不依赖MASK的情况下捕捉双向上下文信息，从而避免了MASK存在带来的不一致性。

乱序语言模型

常规语言模型的目标是按输入顺序进行因式分解，把文本联合概率拆分成条件概率的乘积

\[max_{\theta} log P_{\theta}(X) = \sum_{t=1}^T log P_{\theta} (x_t|x_{\lt t})
\]

而其实对于长度为T的序列，总共有T!种不同的排列组合方式，语言模型只是使用了输入顺序对应的一种分解顺序。而XLNET为了捕捉双向的上下文信息，把目标调整为最大化所有排列组合的以上概率。

以下\(Z_T\)来指代不同的排列组合，\(z \lt t\)是指在z的排列组合中t之前的元素

\[ max_{\theta} E_{z \sim Z_T} [\sum_{t=1}^T log P_{\theta} (x_{zt}|x_{z \lt t})]
\]

为了控制计算量，XLNET并不会计算所有排列组合而是只采样一部分进行计算。因为不同的排列组合共用一套参数，也就隐形实现了双向上下文信息的获取。

这里需要注意的是所谓的乱序，并不是对输入样本进行打乱，输入样本会保持原始顺序，而乱序的计算是通过Attention MASK来实现。例如用‘1->3->2’的顺序，生成第3个token会先mask第2个token只使用1个token的信息。这个实现是非常必要，一方面对输入保序，保证了预训练和下游迁移时文本输入是一致的都是正常顺序。另一方面，如果对输入进行直接打乱，会丢失文本的正常顺序，导致模型不知道正常的文本是什么样子的。

从信息传递的角度来看，BERT在还原每个MASK token时都使用了全部的上下文信息，而XLNET的每一种排列组合在预测当前token时只采样了当前排列组合下的部分信息，从这个角度来讲乱序语言模型应该要比MLM更加稳健以及更容易学到更丰富的文本语义

双流机制

但以上的乱序AR存在一个问题，也就是当顺序是‘3->2->4’时预测4用到的信息，和‘3->2->1’预测1时的信息是一样的。也就是模型无法区分4和1不同位置带来信息差异。为什么只有XLNET会存在这个问题，GPT和BERT就不存在这个问题呢？

在BERT之中是通过MASK来标注哪些位置是需要AE预测的位置，而MASK只修改了对应位置的token embedding，而position embedding是保留了原始位置的信息的，这样在进行self-attention计算时，模型只是不能有效获取MAS

K位置的token信息但是可以获取位置信息。不过其实我对BERT的底层位置信息在经过多层transfromer block之后MASK部分的位置信息是否还能都得到有效的保留，个人感觉是存疑的

而在GPT中因为默认了向前递归，对于所有文本在预训练任务和下游迁移中这个顺序都没有发生改变，所以模型对位置信息的依赖只在x<t的部分，因为向前递归预测的永远是下一个位置，所以位置信息被隐含在了向前递归中。

但是在XLNET中，它既没有按照固定的向前传递顺序，也同时没有像Bert一样保留预测位置的的position embedding，这就导致模型无法知道下一个要预测的位置和已有信息间的关系。

为了解决这个问题XLNET引入了双流机制，其实就是在原始的transformer中加入一个额外的流，这个流不包含当前token的内容信息但是包含当前token的位置信息。

\(h_{z_t}\)是content流，这部分和原始的transformer更新方式相同。只不过是在self-attention的基础上按当前的分解顺序，只使用包含当前<=t的所有信息
\(g_{z_t}\)是query流，这部分包含<=t的位置信息，以及<t的内容信息。实现方式就是在attention计算时用\(h_{z \lt t}\)做K&V，保证内容信息不包含当前位置，而用\(g_{z_t}\)做Q来引入当前位置信息，最终模型的预测依赖query流的输出结果。所以XLNET其实是引入了在下游迁移中可以抛弃的\(g_{z_t}\)，来代替MASK，在保留位置信息的同时避免token本身的文本信息泄露。

以上初始化\(h_{z_t}\)是用word embedding进行初始化，而\(g_{z_t}\)是随机初始化的。

XLNET的位置编码沿用了Transformer-XL提出的相对位置编码，不熟悉的同学戳这里中文NER的那些事儿5. Transformer相对位置编码&TENER代码实现，不过这部分提升主要针对长文本，和乱序语言模型没有必然的绑定关系，所以后面一起放到长文本建模中再说吧~

由于以上的乱序语言模型的拟合难度较高，如果对全文本都进行拟合，会导致模型难以收敛。所以XLNET引入了hyperparams K，每次只对当前排列组合下最后的\(1/K\)个token进行拟合。所以这里k越小训练难度越高。最终作者选择的K在6~7附近，所以和BERT 15%MASK的训练效率相似，每次只能对15%左右的token进行训练。

下游迁移

XLNET在下游任务迁移中的使用方式和Bert基本是完全一样的，以上的双流机制和乱序语言模型只使用在预训练阶段，来帮助模型参数学习到上下文信息。而在迁移到下游时，只有content流被使用，迁移方式也和Bert一致。XLNET在GLUE评估中基本全面超越BERT

和RoBERTa。

当然以上效果增益部分来自XLNET的乱序语言模型，部分来自Transformer-XL相对位置编码对长文本的效果，部分来自XLNET借鉴了Roberta用了比Roberta略小但远大于BERT的训练数据。不过文中作者做很严谨的对比实验，在相同数据量下XLNET依旧超越BERT和DAE+Transformer-XL。顺便也跟着Roberta验证了NSP对于XLNET任务也是没有效果的...不过我继续持保留意见嘿嘿~

ELECTRA

Electra主要针对MLM只对15%MASK的token进行训练导致训练低效的问题，通过两段式的训练，也实现了在下游任务中和MASK解耦，按论文的效果是只用1/4的时间就可以媲美Bert。

预训练

Eletra的预训练模块由以下两部分构成，分别是生成replace token的Generator，以及判别每个token是否是原始token的Descriminator，我们分别看下各自的实现

Generator的部分和Bert是基本一致，每次随机MASK15%的token，然后Generator去预测可能的原始token，所以Generator部分就是Bert的MLM任务。

\[ \begin{align}
x^{masked} &= REPLACE(x, m, [MASK])\\
\hat{x}_i &\sim p_G(x_i|x^{masked})\\
L_{MLM}(x, \theta_G) &= E(\sum_{i \in m } P_G(x_i|x^{masked}))
\end{align}
\]

Descriminator的输入是Generator的预测结果，判别器负责判断每个token是否是原始的token，注意如果generator预测正确，则该token也是原始token，所以是一个二分类的判别任务

\[ \begin{align}
x^{corrupt} &= REPLACE(x, m, \hat{x}) \\
L_{Disc}(x, \theta_D) &= E(\sum_{i=1}^n -I(x^{corrupt}_t = x_t)logD(x^{corrupt},t) - I(x^{corrupt}_t \neq x_t)log(1-D(x^{corrupt},t))
\end{align}
\]

最终的Loss是Generator和Descriminator Loss的结合

\[ min_{\theta_D, \theta_G} = \sum_x L_{MLM}(x, \theta_D) + \lambda L_{Disc}(x, \theta_G)
\]

看上模型实现很简单，但细节里全是魔鬼。。。我们来细数下Electra实现过程的细节，以及可能的问题

模型大小

作者对比了生成器和判别器之间模型大小对效果的影响，整体上生成器大小在判别器的[1/4,1/2]之间最优，虽然size选择有点玄学，不过部分逻辑是讲的通的，节省空间的目的咱就不提了，无论如何预训练内存都是Bert的一倍多，除此之外

生成器的大小决定了判别器的任务难度，感觉一部分Electra能快速拟合的收益，来自生成器生成了更加hard的样本来训练判别器，但是生成器太强就会导致判别器难以拟合
生成器决定了判别器输入部分的正负样本比，生成器太强会导致负样本太少

参数共享

生成器和判别器因为以上Size差异的原因，没有共享全部参数，而是共享了Embedding部分，包括token和position embedding的权重。这里共享权重是必要的，因为只有生成器的部分因为要预测token所以会对全Vocab embedding进行更新，而判别器只会对输入部分的token进行更新，考虑下游使用只使用判别器，如果不共享权重，部分低频token可能会存在训练不足的问题。

训练方式

作者对比了几种生成器和判别器的训练方式

Electra：两个模型一同训练，但是梯度隔离，既判别器的梯度不会回传到生成器
GAN：用GAN的方式进行训练
两阶段：先训练生成器再Freeze生成器训练判别器

效果如下图是Electra>GAN>两阶段。不过后两种训练方式都还有进一步探索的空间，例如两阶段训练的核心是让生成器先训练一段时间来生成更加Hard的样本，但是会和以上模型size选择存在相同的问题就是生成器太强会导致判别器难以拟合，所以什么时候交换到判别任务的时间点可能很关键。而GAN的部分如果只是让生成器最大化判别器的Loss则难以保证生成器生成的样本多样性，不过我对GAN并不太了解这块就先不展开了。

消融实验

作者通过对比不同的训练策略，对Electra的效果进行了归因，大头的效果提升来自于在判别器阶段对所有token进行训练

Electra 15%：在判别器部分只针对生成器MASK的15%的token进行训练，确实效果大幅下降，这个对比很solid的指出Electra效果的提升大部分来自判别器对all token的训练
Replace MLM：在Electra15%的基础上把判别器换成MLM，其实也就是把Bert MASK的策略换成了生成器。作者是想通过Replace MLM>Bert来说明MASK的不一致性对Bert存在一定影响，但感觉这到训练后期随着生成器的效果越来越好，MLM似乎还是会存在直接copy输入的feature leakage？
All-Tokens MLM：在以上Replace MLM的基础上对所有token进行预测，也就是把Electra的二分类变回Vocab的多分类。为了避免在拟合未被替换的token时模型学到直接copy输入这种feature leakage，输出有p的概率是输入的拷贝，有1-p的概率是预测概率。作者想通过这个说明二分类判别器的效果更好，但感觉随机copy避免信息泄漏的方案并不像MASK这样solid？

下游迁移

Electra在下游迁移的时候只使用判别器的部分，因此和MASK实现了解耦。但Electra的判别器也是质疑声音最大的地方，Bert的Embedding Output有丰富的上下文语义的一个前提是每个token的预测都是在全Vocab上做softmax，所以Embedding需要包含相对复杂&多样的信息才能完成这个任务，而Electra只是简单的二分类任务，对Embedding表征信息的要求要低的多。所以实践中被吐槽在NER这类对输入Embedding信息量有高要求的任务，以及更加复杂的文本理解任务上Electra表现并不好。

整体上Electra两段式的训练方式去和MASK解耦，对全token进行训练提高训练效率，以及用生成器做进行类似数据增强的操作是相对有亮点的地方，不过把MLM替换成二分类的判别器的选择，以及Electra的训练方式还是值得再进一步深入研究的~

BERT手册相关论文和博客详见BertManual

Reference

XLNet: Generalized Autoregressive Pretraining for Language Understanding
ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators
李Rumor，谈谈我对ELECTRA源码放出的看法，https://zhuanlan.zhihu.com/p/112813856
苏剑林. (Oct. 29, 2020). 《用ALBERT和ELECTRA之前，请确认你真的了解它们》[Blog post]. Retrieved from https://spaces.ac.cn/archives/7846