简单到令人沮丧的替代MLM的预训练任务？

这是我参与11月更文挑战的第13天，活动详情查看：2021最后一次更文挑战

EMNLP2021有一篇论文标题名为Frustratingly Simple Pretraining Alternatives to Masked Language Modeling，翻译过来就是「简单到令人沮丧的替代MLM的预训练任务」。但我给它加了个问号，因为我觉得首先作者提出的这些方法，对于模型来说太难了，即便是让我去做他所提出的这些预训练任务，我都不一定做得出来。其次是从结果来看效果似乎一般般

如下图所示，具体来说作者提出了4中用于替代MLM的预训练任务，分别是Shuffle、Random、Shuffle+Random、Token Type、First Char

Pretraining Tasks

Shuffle

作者提到这个方法的灵感来源于ELECTRA。具体来说，一个句子中有15%的token将会被随机调换顺序，然后模型需要做一个token级别的2分类问题，对于每一个位置预测该token是否被调换了位置。这个预训练任务的好处是，模型可以通过学习区分上下文中是否有token被打乱，从而获得句法和语义知识

对于Shuffle任务来说，其损失函数为简单的Cross-Entropy Loss：

$$\begin{aligned} \mathcal{L}_{\text{shuffle}}&=-\frac{1}{N}\sum_{i=1}^N y_i\log p(x_i) \\&+ (1-y_i)\log (1-p(x_i)) \end{aligned} \tag{1}$$

其中 $N$表示一个样本的token数量， $y_i$和 $p(x_i)$都是向量，并且 $p(x_i)$表示第 $i$个token被预测是否打乱的概率

Random Word Detection (Random)

从词汇表 （Vocabulary）中随机挑选一些词，替换输入句子中15%的token，即便替换后整个句子语法不连贯也无所谓。它本质上同样是一个2分类问题，对于每一个位置预测该token是否被替换过，损失函数同公式(1)

Manipulated Word Detection (Shuffle + Random)

这个任务其实就是将Shuffle和Random任务结合起来，组成了一个更困难的任务。这里我是真的蚌埠住了，Shuffle、Random任务分别让我去判断我可能分辨出来，但是他俩相结合之后我真的就不一定能做出准确的判断了。作者可能也考虑到了这一点，因此分别将Shuffle和Random的比例调低至10%，同时要注意的是这两个任务是不重叠的，也就是不会存在某个token已经被Shuffle之后又被Random。现在这个任务是一个3分类问题。它的损失函数同样基于Cross-Entropy Loss

$$\mathcal{L}_{\text{manipulated}} = -\frac{1}{N}\sum_{i=1}^N\sum_{j=1}^3 y_{ij}\log p_{ij}(x_i)\tag{2}$$

其中 $j$遍历Shuffle( $j=1$)、Random( $j=2$)、orignal( $j=3$)这三个标签， $p_{ij}$表示第 $i$个token对于第 $j$个标签的概率， $y_{ij}$和 $p_{ij}$都是具体的实数， $p_{i}$是一个三维的向量

Masked Token Type Classification (Token Type)

这个任务是一个4分类问题，判断当前位置的token是否为停用词（stop word）、数字、标点符号或正文内容。具体来说，作者使用NLTK工具来判断一个token是否为停用词，并且只要不属于前三种类别，那么当前token就属于正文内容类别。特别地，选取15%的token，将它们替换为[MASK]这个特殊token，至于为什么这么做，我想应该是：直接对某个token进行预测，实在是太容易了，为了加大难度，我们应该让模型先预测出这里是什么token，然后再预测其属于什么类别。它的损失函数同样是Cross-Entropy Loss

Masked First Character Prediction (First Char)

最后，作者提出了一个简单版的MLM任务。原本MLM任务对于某个位置需要做一个 $|V|$分类问题，也就是说你需要对一个Vocabulary大小的向量进行Softmax，这个任务实际上是很困难的，因为候选集合实在是太大了，而且还可能存在过拟合的风险。作者提出的最后一个任务，只需要预测当前位置所对应token的第一个字符，这样任务就转变为了29分类问题。具体来说，26个英文字母、一个代表数字的标记、一个代表标签符号的标记、一个代表其他类别的标记，加起来总共有29种类别。同样，有15%的token会被替换为[MASK]，然后进行预测

Results

结果如上图，大家直接看就行了。实际上他们的结果有些一言难尽，不过作者也提到，如果训练时间和Baseline一样长，他们是有信心超过Baseline的。那我就有疑问了，为什么你不多训练一会儿呢，是为了赶EMNLP的DDL吗？

个人总结

本文主要创新点是作者提出了可以替代MLM的5个新的预训练任务，因为MLM是token级别的，所以这5个任务也是token级别的。明年EMNLP会不会有人提出sentence级别的，用于替代NSP/SOP的预训练任务呢？另外有一点要吐槽的是这篇论文的标题：Frustratingly Simple xxxx，简单到令人沮丧的xxxx，这种标题在我印象中已经看到好几次了，有一种标题党的感觉