所有文章 > 正文

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)

作者: 学术君 学术哥

时间: 2019-01-04 12:10

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“神经语言的最新进展”的演讲。

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

二维码 扫码微信阅读
推荐阅读 更多