Mô hình hoán vị XLNet
XLNet kết hợp bối cảnh hai chiều của BERT với dự đoán tự hồi quy của GPT bằng cách huấn luyện theo thứ tự từ ngẫu nhiên.
Tổng quan
This permutation trick lets it learn from all positions without ever masking tokens.
Lặn sâu
XLNet, được Carnegie Mellon và Google Brain giới thiệu vào năm 2019, được thiết kế để khắc phục lỗ hổng trong quá trình đào tạo trước theo kiểu BERT. BERT che dấu các mã thông báo và dự đoán chúng, nhưng biểu tượng [MASK] nhân tạo không bao giờ xuất hiện tại thời điểm tinh chỉnh, tạo ra sự không khớp giữa huấn luyện/kiểm tra và BERT giả định các mã thông báo bị che là độc lập. Thay vào đó, XLNet sử dụng 'mô hình hóa ngôn ngữ hoán vị': nó tối đa hóa khả năng ghi nhật ký dự kiến trên tất cả các thứ tự có thể có của các từ trong một chuỗi. Bằng cách dự đoán từng mã thông báo được cung cấp một tập hợp con ngẫu nhiên của các mã thông báo khác, mô hình sẽ nhìn thấy bối cảnh hai chiều một cách hiệu quả trong khi vẫn duy trì mô hình tự hồi quy thích hợp mà không có mặt nạ. Được xây dựng trên nền tảng Transformer-XL cho bộ nhớ tầm xa, XLNet vượt trội hơn BERT trong khoảng 20 nhiệm vụ bao gồm trả lời câu hỏi, phân tích cảm tính và xếp hạng tài liệu.
Hiểu biết kỹ thuật
XLNet không xáo trộn các từ một cách vật lý; nó hoán vị thứ tự phân tích nhân tử thông qua mặt nạ chú ý, do đó thông tin vị trí được giữ nguyên. Để thực hiện công việc này, nó sử dụng 'tự chú ý hai luồng': luồng nội dung mã hóa cả mã thông báo và ngữ cảnh của nó, đồng thời luồng truy vấn biết vị trí của mục tiêu nhưng không biết nội dung của mục tiêu, cho phép dự đoán mà không làm rò rỉ câu trả lời. Khả năng lặp lại và mã hóa vị trí tương đối của Transformer-XL mang lại cho nó bộ nhớ trên các đoạn dài, cải thiện khả năng xử lý các tài liệu dài.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của mô hình hoán vị XLNet
XLNet là bằng chứng có ảnh hưởng cho thấy các mục tiêu tự hồi quy có thể nắm bắt được bối cảnh hai chiều, làm mờ đi sự phân chia giữa BERT và GPT. Trong khi lĩnh vực này phần lớn được củng cố xung quanh bộ mã hóa đeo mặt nạ hoặc bộ giải mã tự hồi quy lớn, ý tưởng hoán vị của XLNet và phép lặp Transformer-XL đã thông báo cho hoạt động sau này về mô hình hóa ngữ cảnh dài và các mục tiêu tiền huấn luyện thống nhất. Những hiểu biết sâu sắc của nó vẫn phù hợp khi các nhà nghiên cứu tìm kiếm kiến trúc kết hợp mô hình hóa bối cảnh mạnh mẽ với việc tạo ra hiệu quả, không cần mặt nạ.
Triển khai trong thế giới thực
Đạt được kết quả cao nhất về điểm chuẩn trả lời câu hỏi như SQuAD
Xử lý các tác vụ tài liệu dài như bài kiểm tra đọc hiểu RACE thông qua bộ nhớ Transformer-XL
Hỗ trợ hệ thống xếp hạng tài liệu và truy xuất thông tin
Cải thiện phân loại tình cảm và phân loại văn bản trên đường cơ sở BERT
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the XLNet Permutation Modeling quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Mô hình hóa chủ đề
Câu hỏi thường gặp
What is XLNet Permutation Modeling?
XLNet kết hợp bối cảnh hai chiều của BERT với dự đoán tự hồi quy của GPT bằng cách huấn luyện theo thứ tự từ ngẫu nhiên. Thủ thuật hoán vị này cho phép nó học từ tất cả các vị trí mà không cần che giấu mã thông báo.
XLNet sử dụng mục tiêu đào tạo trước nào?
XLNet tối đa hóa khả năng ghi nhật ký dự kiến trên tất cả các hoán vị của thứ tự nhân tố mã thông báo, được gọi là mô hình hóa ngôn ngữ hoán vị.
Điểm yếu BERT nào được XLNet thiết kế đặc biệt để giải quyết?
Biểu tượng [MASK] nhân tạo của BERT không bao giờ xuất hiện trong quá trình tinh chỉnh và nó coi các dự đoán bị che giấu là độc lập; XLNet tránh được cả hai vấn đề.
Tính năng tự chú ý hai luồng của XLNet tách biệt điều gì?
Luồng nội dung mã hóa mã thông báo và ngữ cảnh, trong khi luồng truy vấn biết vị trí của mục tiêu nhưng không biết nội dung của mục tiêu, cho phép dự đoán mà không bị rò rỉ.
XLNet có xáo trộn các từ trong câu một cách vật lý không?
XLNet hoán vị thứ tự dự đoán (nhân tố hóa) thông qua mặt nạ chú ý; vị trí mã thông báo ban đầu được bảo toàn thông qua mã hóa vị trí.
Kiến trúc nào đóng vai trò là xương sống của XLNet cho bối cảnh tầm xa?
XLNet được xây dựng trên Transformer-XL, bổ sung tính năng lặp lại phân đoạn và mã hóa vị trí tương đối để xử lý các chuỗi dài.