預訓練模型ProphetNet：根據未來文本信息進行自然語言生成_CNN

作者|劉大一恒、齊煒禎、晏宇、宮葉云、段楠、周明

編者按：微軟亞洲研究院提出新的預訓練模型ProphetNet，提出了一種新的自監督學習目標——同時預測多個未來字符，在序列到序列的多個自然語言生成任務都取得了優異性能。

大規模預訓練語言模型在自然語言理解和自然語言生成中都取得了突破性成果。這些模型通常使用特殊的自監督學習目標先在大規模無標記語料中進行預訓練，然后在下游任務上微調。

傳統自回歸語言模型通過估計文本語料概率分布被廣泛用于文本建模，序列到序列的建模，以及預訓練語言模型中。這類模型通常使用teacher-forcing的方法訓練，即每一時刻通過給定之前時刻的所有字符以預測下一個時刻的字符。然而，這種方式可能會讓模型偏向于依賴最近的字符，而非通過捕捉長依賴的信息去預測下一個字符。有如以下原因：局部的關系，如兩元字符的組合，往往比長依賴更強烈；Teacher-forcing每一時刻只考慮對下一個字符的預測，并未顯式地讓模型學習對其他未來字符的建模和規劃。最終可能導致模型對局部字符組合的學習過擬合，而對全局的一致性和長依賴欠擬合。尤其是當模型通過貪心解碼的方式生成序列時，序列往往傾向于維持局部的一致性而忽略有意義的全局結構。

加密行業游說團體尋求針對合法加密業務的de-banking信息:金色財經報道，加密行業游說團體 Blockchain Association 向美國聯邦存款保險公司（FDIC）、美聯儲理事會和審計長辦公室提交了《信息自由法》(FOIA) 請求，尋求在美國涉及加密貨幣公司的去銀行化（de-banking）的文件和通信。BA 正在調查有關 de-banking 指控，包括關閉賬戶和拒絕開設新賬戶，以及監管機構可能處理不當導致 Signature、硅谷銀行和 Silvergate 倒閉的行為。

Blockchain Association 呼吁所有受影響的加密貨幣行業參與者挺身而出，正在收集普通美國人和企業家因這種 de-banking 而受到傷害的故事。[2023/3/17 13:09:59]

ProphetNet

針對上述問題，我們提出了一個新的seq2seq預訓練模型，我們稱之為ProphetNet。該模型帶有一個新穎的自監督學習目標函數，即預測未來的N元組。與傳統seq2seq的Teacher-forcing每一時刻只預測下一個字符不同，ProphetNet每一時刻將學習去同時預測未來的N個字符。如圖1所示：

機構：2030 年汽車元宇宙市場將達到 165 億美元:金色財經報道，根據MarketsandMarkets的調查，到2030年，汽車元宇宙市場將達到165億美元。根據這些統計數據，部分汽車公司將經由不斷改變現有的生產線，來生產智能汽車。另外，行業專家表示，汽車想要實現成為元宇宙入口的愿景，座艙的智能化程度尤為關鍵。[2023/1/3 22:23:17]

圖1：左邊是傳統的語言模型，每一時刻預測下一時刻的字符。右邊是Bigram形式下的ProphetNet，每一時刻同時預測未來的兩個字符。

預測未來N元組這一自監督學習目標在訓練過程中顯式地鼓勵模型在預測下一個字符時考慮未來更遠的字符，做到對未來字符的規劃，以防止模型對強局部相關過擬合。

ProphetNet基于Transformer的seq2seq架構，其設計有兩個目標：1.模型能夠以高效的方式在訓練過程中完成每時刻同時預測未來的N個字符；2.模型可以靈活地轉換為傳統的seq2seq架構，以在推理或微調階段兼容現有的方法和任務。為此，我們受XLNet中Two-streamselfattention的啟發，提出了用于模型decoder端的N-streamself-attention機制。圖2展示了bigram形式下的N-streamself-attention樣例。

Ripple和幣安正尋求獲得英國監管牌照:金色財經報道，Ripple和幣安代表已告知英國議員，這兩家公司希望獲得金融行為監管局(FCA)的牌照。Ripple的政策主管Susan Friedman表示，Ripple在英國約有60名員工，雖然公司目前的商業模式不要求其在FCA注冊，但隨著在英國業務的擴大，Ripple計劃申請牌照。據此前消息，幣安已聘請了一位有合規經驗的高管擔任其英國董事。幣安英國子公司將致力于遵守FCA的規定，在英國運營受監管的加密資產業務。[2022/11/16 13:10:07]

除了原始的multi-headself-attention之外，N-streamself-attention包含了額外的N個predictingstreamself-attention，用于分別預測第n個未來時刻的字符所示。每一個predictingstream與mainstream共享參數，我們可以隨時關閉predictingstream以讓模型轉換回傳統seq2seq的模式。

SBF：支持使用黑名單方式對加密貨幣行業進行監管:金色財經報道，FTX首席執行官Sam-Bankman Fried（SBF）在社交媒體上表示，他支持使用黑名單方式對加密貨幣行業進行監管，除非得到明確批準，否則個人可以自由交易。這與白名單或白名單形成鮮明對比，在白名單方式下，除非明確獲得許可，否則默認情況下個人被禁止交易。 SBF解釋說，加密行業需要快速、可靠的與非法金融相關的地址列表，但點對點傳輸通常應該是免費的，只要它們不去和受制裁的參與者進行交易，這可以同時有效地執行制裁合規，黑名單方式能夠取得更健康的平衡。[2022/10/20 16:31:27]

圖2：(a)為mainstreamself-attention；(b)為1-stpredictingstreamself-attention；(c)為2-ndpredictingstreamself-attention；(d)展示了n-streamself-attention的輸入輸出及流程。

由于難以獲取到大量帶標記的序列對數據，我們用去噪的自編碼任務通過大量無標記文本預訓練ProphetNet。去噪的自編碼任務旨在輸入被噪音函數破壞后的序列，讓模型學習去復原原始序列。該任務被廣泛應于seq2seq模型的預訓練中，如MASS、BART、T5等。本文中使用MASS的預訓練方式，通過引入提出的predictingn-stream自監督學習目標函數預訓練ProphetNet。我們以bigram形式的ProphetNet為例，整個流程如圖3所示：

數據：過去一周Circle USDC流通量減少3億美元:9月10日消息，據官方消息，9月2日至9月9日期間，Circle共發行21億美元USDC，贖回24億美元USDC，USDC流通量減少3億美元。截至9月9日，USDC總流通量為517億美元，儲備量為519億美元，其中現金109億美元，短期美國國債410億美元。[2022/9/10 13:21:02]

圖3：二元形式下的Prophet整體框架圖

實驗結果

我們使用兩個規模的語料數據訓練ProphetNet。ProphetNet包含12層的encoder和12層的decoder，隱層大小為1024。先在BERT所使用的BookCorpus+Wikipedia的數據上預訓練模型，將模型在Textsummarization和Questiongeneration兩個NLG任務上的三個數據集微調并評估模型性能。與使用同等規模數據的預訓練模型相比，ProphetNet在CNN/DailyMail、Gigaword和SQuAD1.1questiongeneration數據集上都取得了最高的性能，如表1-3所示。

表1：CNN/DailyMail測試集結果

表2：Gigaword測試集結果

表3：SQuAD1.1測試集結果SQuAD1.1交換驗證測試集結果

除了使用16GB的語料訓練模型，我們也進行了更大規模的預訓練實驗。該實驗中，我們使用了160GB的語料預訓練ProphetNet。我們展示了預訓練14個epoch后的ProphetNet在CNN/DailyMail和Gigaword兩個任務上微調和測試的結果。如表4所示。需要注意的是，在相同大小的訓練數據下，我們模型的預訓練epoch僅約為BART的三分之一。我們模型的訓練數據使用量僅約為T5和PEGASUSLARGE的五分之一，約為PEGASUSLARGE的二十分之一。盡管如此，我們的模型仍然在CNN/DailyMail上取得了最高的ROUGE-1和ROUGE-LF1scores。并在Gigaword上實現了新的state-of-the-art性能。

表4：模型經大規模語料預訓練后在CNN/DailyMail和Gigaword測試集的結果

為了進一步探索ProphetNet的性能，我們在不預訓練的情況下比較了ProphetNet和Transformer在CNN/DailyMail上的性能。實驗結果如表5所示，ProphetNet在該任務上超越了同等參數量的Transformer。

表5：模型不經過預訓練在CNN/DailyMail驗證集結果

總結

本文介紹了微軟亞洲研究院在序列到序列模型預訓練的一個工作：ProphetNet，該模型提出了一種新的自監督學習目標，在同一時刻同時預測多個未來字符。并通過提出的N-streamself-attention機制高效地實現了模型在該目標下的訓練。實驗表明，該模型在序列到序列的多個自然語言生成任務都取得了不錯的性能。我們將在之后嘗試使用更大規模的模型架構和語料進行預訓練，并進一步深入地探索該機制。

論文鏈接：https://arxiv.org/pdf/2001.04063.pdf

原力計劃

《原力計劃-學習力挑戰》正式開始！即日起至3月21日，千萬流量支持原創作者！更有專屬等你來挑戰

Python數據清理終極指南口罩檢測識別率驚人，這個Python項目開源了談論新型冠狀病、比特幣、蘋果公司……沃倫巴菲特受訪中的18個金句，值得一看！天貓超市回應大數據殺熟；華為MateXs被熱炒至6萬元；Elasticsearch7.6.1發布一張圖對比阿里、騰訊復工的區別不看就虧系列！這里有完整的Hadoop集群搭建教程，和最易懂的Hadoop概念！|附代碼

Tags：CNNGASBARCNN幣是什么幣GAS幣是什么幣BAR價格BAR幣

以太坊價格