击败GPT3，刷新50个SOTA！谷歌全面统一NLP范式

文 | ZenMoore
编 | 小轶

写在前面

一觉醒来，迷糊之中看到一条推特：

瞬间清醒！

Google 的 Yi Tay (and Mostafa) 团队提出了一个新的策略 Mixture-of-Denoisers, 统一了各大预训练范式。

重新思考现在的预训练精调，我们有各种各样的预训练范式：decoder-only or encoder-decoder, span corruption or language model, 等等，不同的范式建模了不同的上下文关系，也正是因为如此，不同的预训练范式适配不同类型的下游任务。例如，基于双向上下文的预训练(span corruption，如T5)更加适用于 fact completion，基于单向上文(PrefixLM/LM，如GPT等)更加适用于 open ended. 也就是说，具体的下游任务类型需要选用特定的预训练策略...

准确地说，常见有三套范式：单向文本建模的CausalLM(i.e. LM)，双向文本建模的 span corruption, 前缀文本建模的 PrefixLM.

这是大一统吗？感觉只能是小一统，总感觉还缺少一味菜！

今天，Google 把这道菜补上了！那就是：Mixture-of-Denoisers

先来感受一下效果：

论文标题：Unifying Language Learning Paradigms
论文作者：Yi Tay, Mostafa Dehghani, etc. (Google)
论文链接：https://arxiv.org/pdf/2205.05131.pdf

方法 (UL2)

先说一下本文方法的目的：构建一种独立于模型架构以及下游任务类型的预训练策略，可以灵活地适配不同类型的下游任务。

整个方法的框架和 UniLM[1] 是很相似的，但是引入了稀疏化。

Mixture-of-Denoisers

首先回顾上文所说的三个预训练范式：CausalLM, PrefixLM, span corruption，其实都可以统一到 span corruption ：

定义函数 , 这里 为平均 span 长度， 为 corruption rate, 为 corrupted span 的数量.定义输入序列长度为 ，经过正态分布或者均匀分布采样 corrputed span 后，训练模型学习恢复这些 span.

可见，对于 CausalLM，只需要设置 ; 对于 PrefixLM, 只需要设置 (为前缀长度)。

基于此，作者提出了 Mixture-of-Denoisers :

• R-Denoiser : regular denoising. corrupted span 的长度为 2-5 个 tokens, 大约是 15% 的掩码率。通常用于获得知识而不是生成流畅文本的能力。
• S-Denoiser : sequential denoising. 保留严格的序列顺序，通常用于 inputs-to-targets 任务，如 PrefixLM. 需要注意的是，可见的 Prefix 仍然是上下文建模方式，但是被掩码掉的长 span 是不可见的。
• X-Denoiser : extreme denoising. 可以看作 R-denoiser 和 S-denoiser 的中间体，是一种极端的情况，也就是 span length 非常长，或者 masking rate 非常大。一般用于长文本生成任务，因为这类任务一般只有非常有限的上下文记忆信息。

最后，本文使用的七个 denoiser 设定如下：

Mode Switching

本文提出通过 mode-switching 来进行 paradigm-shifting. 首先在预训练的时候，新增三个 special tokens : ，分别指代三个 paradigms (i.e... denoiser). 然后在下游任务精调或者小样本学习时，也为特定任务的设定和需要，新增一个 paradigm token, 以触发模型学习更优的方案。

然后在主体模型架构上，使用 encoder-decoder 还是 decoder-only 是不重要的，因为本文方法的初衷就在于 architecture-agnostic (架构无关). 因此，作者基于 T5，对两种设定都进行了相关实验。

实验

消融实验

任务设定：

• SuperGLUE (SG) ：8 NLU sub-tasks
• GEM benchmark :  XSUM (summarization), ToTTo (table-to-text generation), Schema Guided Dialog (SGD)
• C4 validation set

场景设定：

• 精调(fine-tuning)
• 基于提示的单样本学习

Baselines :

• Causal Language Model (CLM) : GPT-style
• Prefix LM (PLM)
• Span Corruption (SC) : T5-style
• Span Corruption + LM (SCLM)
• UniLM (ULM)

1. Decoder v.s. Encoder-Decoder

结论：当不考虑存储时，encoder-decoder 比 decoder-only 更优；比起 backbone 架构，自监督目标更加重要。

1. Paradigm Prompt (mode switching)

结论：在 one-shot 场景下，使用范式提示几乎总是更好，但是，选对 paradigm prompt 非常关键。

1. Mixture-of-Denoisers

▲SD% 表示 S-Denoisers 的占比

结论：X-denoising 有补充性效果，但不能单用；只用一小部分 S-Denoisers () 更好。

1. 小幅增加模型尺寸以及预训练数据量

结论：本文方法在 SuperGLUE 上比 T5 差了一点，但是其他任务仍然领先。

200亿参数！

好了，现在开始壕起来：Scaling to 20B Parameters！

虽然这个方法是 architecture agnostic （架构无关）的，但基于上面的消融实验，我们 prefer Encoder-Decoder 架构，更重要的是：Encoder-Decoder 具备固有的稀疏特性(intrinsic sparsity)

任务设定：

• 文本生成：摘要和 data-to-text 生成。数据集：CNN/Dailymail，XSUM，MultiNews，SAMSum，WebNLG，E2E，CommonGen
• 人工评测的文本生成：aNLG, ARC-DA, WMT19, XSUM
• 理解、分类、问答：RACE, QASC, OpenBookQA, TweetQA, QuAIL, IMDB, Agnews, DocNLI, Adversarial NLI, VitaminC, Civil Comments and Wikipedia Toxicity detection
• 常识推理：HellaSwag, SocialIQA/SIQA,  PhysicalIQA/PIQA, CosmosQA, AbductiveNLI, CommonsenseQA, CommonsenseQA2
• 长程推理：Scrolls benchmark (GovReport, SumScr, QMSUm, QASPER, NarrativeQA, QuaLITY, ContractNLI )
• 结构化知识 (Structured Knowledge Grounding): UnifiedSKG (WikiTQ, CompWQ, FetaQA, HybridQA, WikiSQL, TabFat, Feverous, SQA, MTOP, DART)
• 信息检索：Natural Questions

有意思的是：对于信息检索，作者使用的是 DSI[2] 进行的实验，简单说就是 text-to-docid 进行检索。

评测结果：

1. Tradeoffs between Finetuning and Prompt-based Zero-shot Learning (SuperGLUE)

1. Generative Few-shot: XSUM Summarization

1. Summary of UL20B results compared to state-of-the-art

写在最后

看完这篇之后，总的感觉并没有第一眼看到推特时那样激动，或者说，也没有当初学习 UniLM[1] 时的感觉强烈。

我在之前的文章也提到过，Prompt 主要适用于三个场景：低资源、低算力、统一场景。也曾在知乎上发表过想法：Prompt 在某种程度上可以进行模型的专家化(expertization)或者模块化(modularization)，需要和 Mixture-of-Experts 进行沟通。这篇文章使用 paradigm prompt 进行 denoiser 的 mode switching，有进一步的启发意义。脱离 denoiser 的 mixture，可能会有更加宏大的 picture.

另外，一直来说，为不同的下游任务部署特定的模型，是一个很消耗资源的方式，因此，一个统一的 black box 是必然的。虽然 GPT-3/T0[3] 等通过 instruction/prompt 或 in-context learning 等方式，为解决这个问题提供了思路，但是要真正 beat task-specific finetuning, 仍然有一段路要走。希望从这篇文章出发，能够彻底解决这个关键的部署问题。

北航本科生🧐，爱数学爱物理爱 AI🌸 想从 NLP 出发探索人工认知人工情感的奥秘🧠🤖！个人主页🌎 zenmoore.git

[1] UniLM : https://arxiv.org/pdf/1905.03197.pdf

[2] DSI : https://arxiv.org/pdf/2202.06991.pdf

[3] T0 : https://arxiv.org/pdf/2110.08207.pdf