XLNet团队：赢BERT靠的并不是数据集更大，公平对决也碾压对手
晓查 发自 凹非寺 量子位 出品 | 公众号 QbitAI
几周前，谷歌发布了新的NLP模型XLNet，它在20项基准测试中均优于BERT。
但是与BERT相比，XLNet模型的训练数据比BERT大10倍。这让学术界和工业界对此产生了疑问：XLNet如果只接受与BERT相同规模的训练数据会如何？XLNet的胜利是否只是数据集的胜利？
今天，XLNet研究团队在Medium网站上用实际数据解答了众人的疑惑。他们使用近乎相同的数据集在XLNet和BERT之间进行公平对决，看看前者的性能到底有没有本质的提升。
参数配置
为了保证公平性，团队确保BERT和XLNet中几乎所有可能的超参数尽量相同。在无法保证二者相同的情况下，他们还让参数的优势更向BERT倾斜。
超参数用的是原来BERT作者发布的数据。也就是说，这么做更有可能针对BERT而不是XLNet进行优化。
具体的超参数设置如下：
- 相同的batch size：256
- 相同的训练步数：1M
- 相同的优化器：Adam，学习率1e-4，10K预热，线性衰减
- 相同的训练语料库：Wikipedia + BooksCorpus。XLNet团队使用与BERT repo中描述相同的工具来处理维基百科。但由于某些未知原因，XLNet维基百科语料库只有20亿单词，而BERT有25亿单词。因此XLNet训练集反而更小。
- 相同的模型架构参数：24层，1024个隐藏单元，head数16
- 相同的微调超参数搜索空间
他们修改了一些与数据相关的实现细节，以便与BERT进行一对一的比较：
- 在之前的实现中，未被覆盖的token在预训练中看不到CLS和SEP。在现在的实现中，未被覆盖的token可以看到CLS和SEP，这与BERT一致。
- 在微调中，XLNet使用“BERT格式”[CLS，A，SEP，B，SEP]取代[A，SEP，B，SEP，CLS]。
此外，他们还考虑了BERT的三种变体，并报告每个单独任务的最佳微调结果。
- 模型-I：作者发布的原始BERT
- 模型-II：具有全词覆盖的BERT，也是由作者发布
- 模型-III：由于下一句预测（NSP）可能会影响性能，使用已发布的BERT代码预训练一个新的没有NSP损失的模型。
以上的设置可能会为BERT带来一些优势，因为BERT可以通过不同的变体获得单个任务的最佳性能。
对比结果
二者在SQuAD、RACE等测试集上的结果如下，过程中没有使用数据扩增、集成学习或多任务学习。
测试结果说明了一些问题：
- 使用几乎相同的数据和训练方法，XLNet在所有数据集上均以相当大的优势超越BERT。
- 10倍数据对训练效果的提升不如从BERT到XLNet的变化明显。11个基准测试中，有8个从BERT切换到XLNet的提升更为明显。
- 在CoLA和MRPC等一些基准测试中，更多数据上训练的模型得分反而低于在较少数据上训练的模型。
上述结果中让我们获得了一些宝贵的经验。
- XLNet确实提高了性能。实验结果1表明，在相同的训练条件下XLNet相对于BERT具有优势。
- XLNet-Large可以更好地进行优化。实验结果2和3似乎表明XLNet-Large（更多训练数据）没有充分利用数据规模。
对未来工作的启发
XLNet团队表示，将继续研究如何正确扩展XLNet语言预训练。根据目前有限的观察结果，他们推测以下训练细节可能会发挥重要作用：
数据相关：数据规模、数据来源、数据清洗、数据编码、数据格式化。 优化相关：学习率、batch size、训练步数、优化器。 这些超参数之间可能有高阶的相互作用。 Facebook AI最近的RoBERTa进入GLUE排行榜第一，似乎也暗示了训练细节的重要性。
原文链接： https://medium.com/@xlnet.team/a-fair-comparison-study-of-xlnet-and-bert-with-large-models-5a4257f59dc0
作者系网易新闻·网易号“各有态度”签约作者
— 完 —