生成式预训练之MASS

点击下面卡片，关注我呀，每天给你送来AI技术干货！

作者：潘小小（字节跳动AI Lab算法工程师）

今天和大家一起简单回顾一下2019年发表的《MASS: Masked Sequence to Sequence Pre-training for Language Generation》这篇论文。MASS产生的背景，是在BERT取得重大关注后，发现BERT并不适用于生成式任务之后。作者将BERT中的预测token改为了预测fragment(连续片段)，同时采取了整个sequence-to-sequence modeling，取代了BERT仅仅使用encoder作为建模的做法，使得MASS更加适合生成式的任务。

1. MASS预训练框架

图中的"_"指的是[MASK]，可以看到，在encoder端被mask掉的连续片段x3-x6，在decoder端作为目标输出。

用公式表达其训练目标为:

其中u:v代表一段连续token片段，文中还定义了一个超参数k，k指的是片段包含的token数

MASS = Soft mix (BERT, GPT)

作者还提供了另一个有趣的视角，来帮助理解MASS

在上图中，(a)代表的是k=1的情况，被mask掉的连续片段就“退化”成一个token，这种情况就等价于BERT (b)代表的是k=m的情况，也就是整个sequence都被mask，这种情况就等价于GPT。

2. 实验

[预训练阶段]

• 和BERT类似，被选中mask掉的连续片段中的每一个token，有80%的概率是正常的[MASK] token，10%的概率是被随机token替换，10%的概率保持原来的token。
• k取值会使得大概50%的token被mask

[下游任务: 无监督Machine Translation]

仅使用单语+back translation构造伪平行语料用于fine-tune，得出的结果如下:

MASS和其他无监督翻译的对比

MASS和其他预训练方法的对比

[下游任务: 低资源Machine Translation]

可以看出，在相同的平行数据量的情况下，使用MASS预训练的参数进行初始化，明显高于直接训练的baseline。

3. 分析

[关于k的取值]

经过实验发现，k取值为50%平均总长度时，综合效果最好

作者：潘小小

字节跳动AI-Lab NLP算法工程师，目前专注多语言机器翻译，法国留学文艺女青年，现居上海。知乎id: 潘小小