Transformer Assemble(PART III)

本文首发于微信公众号:NewBeeNLP,欢迎关注获取更多干货资源。

这一期魔改Transformers主要关注对原始模型中位置信息的讨论与优化,

  • Self-Attention with RPR from Google,NAACL2018
  • Self-Attention with SPR from Tencent,EMNLP 2019
  • TENER from FDU
  • Encoding Word Order in Complex Embedding,ICLR2020

1、Self-Attention with Relative Position Representations

一篇短文不是很难理解,文章要解决的痛点也非常清晰:self-attention机制在处理序列输入时无法编码位置信息。在原始Transformer里是采取sin/cos函数显示地引入位置信息,考虑的是绝对位置:
PE(pos,2i)=sin(pos1000002i/dnodd)PE( pos ,2i+1)=cos( pos 100002i/dnodd) \begin{aligned} &P E(\text {pos}, 2 i)=\sin \left(\frac{\text {pos}}{100000^{2 i / d_{\text {nodd}}}}\right)\\ &P E(\text { pos }, 2 i+1)=\cos \left(\frac{\text { pos }}{10000^{2 i / d_{\text {nodd}}}}\right) \end{aligned} 其中,pospos表示token在序列中的位置,ii表示position embedding的第ii维,总共有dmodeld_{model}维。另外,作者在原文中指出,sin/cos函数的周期性形式可以允许模型进一步学习到相对位置的信息。但是这种方式学习到的相对位置信息仍然是存在较大缺陷的,参考文章【浅谈 Transformer-based 模型中的位置表示】

正对以上问题,这篇论文提出一种相对位置信息引入Transformer的方法。

Vanilla Transformer

为了方便两者的对比,给出原始Transformer里self-attention的计算:
zi=j=1nαij(xjWV) z_{i}=\sum_{j=1}^{n} \alpha_{i j}\left(x_{j} W^{V}\right) αij=expeijk=1nexpeik \alpha_{i j}=\frac{\exp e_{i j}}{\sum_{k=1}^{n} \exp e_{i k}} eij=(xiWQ)(xjWK)Tdz e_{i j}=\frac{\left(x_{i} W^{Q}\right)\left(x_{j} W^{K}\right)^{T}}{\sqrt{d_{z}}}

eije_{ij}: the scaled dot product of token ii and token jj;
αij\alpha_{ij}: the weight coefficient of token ii and token jj;
ziz{i}: the output representation of token ii

Relative Position Representations

输入被看成是有向全连接图,两个token xix_{i}xjx_{j}之间的边设置了权重aijV,aijKRdaa_{i j}^{V}, a_{i j}^{K} \in \mathbb{R}^{d_{a}},用做attention时key-value对添加相对位置信息。
在这里插入图片描述
作者认为,在token之间超过一定距离之后相对位置信息就没有意义,因此设置了一个最大截断kk,且截断可以更好地提升模型泛化能力。计算公式如下:
aijK=wclip(ji,k)KaijV=wclip(ji,k)Vclip(x,k)=max(k,min(k,x)) \begin{aligned} a_{i j}^{K} &=w_{\operatorname{clip}(j-i, k)}^{K} \\ a_{i j}^{V} &=w_{\operatorname{clip}(j-i, k)}^{V} \\ \operatorname{clip}(x, k) &=\max (-k, \min (k, x)) \end{aligned} 其中,上面的aijKa_{i j}^{K}aijVa_{i j}^{V}都是需要学习的,即需要学习的为wK=(wkK,,wkK) and wV=(wkV,,wkV) w^{K}=\left(w_{-k}^{K}, \ldots, w_{k}^{K}\right) \text { and } w^{V}=\left(w_{-k}^{V}, \ldots, w_{k}^{V}\right) 公式可能不好理解,举个栗子,假设序列长度N=9,截断窗口k=3,则RPR嵌入的lookup表如下图,感觉跟滑动窗口有点像:
wK=(w4K,,w4K) w^{K}=\left(w_{-4}^{K}, \ldots, w_{4}^{K}\right) wV=(w4V,,w4V)w^{V}=\left(w_{-4}^{V}, \ldots, w_{4}^{V}\right) 在这里插入图片描述

Relation-aware Self-Attention

理解上面RPR之后,就可以对原始self-attention进行改写,将相对位置信息融入进去:
zi=j=1nαij(xjWV+aijV) z_{i}=\sum_{j=1}^{n} \alpha_{i j}\left(x_{j} W^{V}+a_{i j}^{V}\right) eij=xiWQ(xjWK+aijK)Tdz e_{i j}=\frac{x_{i} W^{Q}\left(x_{j} W^{K}+a_{i j}^{K}\right)^{T}}{\sqrt{d_{z}}}
虽然论文基本概念相对简单(自注意力机制中包含了相对位置信息),但是它极大地提高了两个机器翻译任务的翻译质量。

Reference


Self-Attention with Structural Position Representations

不管是transformer原文的绝对位置编码还是上文引入的相对位置编码,都属于sequential information。作者从Hewitt和Manning发表的论文中得到启发:句子的潜在结构可以通过结构深度和距离来捕获,于是他们提出了absolute structural position来编码元素在句法树种深度,relative structural position来编码元素之间的距离。
在这里插入图片描述
上图左边属于两种序列位置编码表示,具体在上一节已经有介绍;右边是本文提出的结构位置编码,分为两种:

  • Absolute Structural Position:把句子的主要动词(如上图"held")作为origin,然后通过计算句法树中目标词语origin之间的距离作为绝对结构位置信息:
    absstru(xi)=distancetree(xi,origin) \operatorname{abs}_{\operatorname{str} u}\left(x_{i}\right)=\operatorname{distance}_{\operatorname{tree}}\left(x_{i}, \text {origin}\right)
  • Relative Structural Position:相对位置信息考虑的单词对之间的关系,
    • 如果单词xix_{i}xjx_{j}在句法树的同一条边上,则相对位置即为绝对位置之差:
      relstru(xi,xj)=absstru(xi)absstru(xj) r e l_{s t r u}\left(x_{i}, x_{j}\right)=a b s_{s t r u}\left(x_{i}\right)-a b s_{s t r u}\left(x_{j}\right)
    • 如果在不同的边上,相对位置为绝对位置之和乘上一个系数fstru(x)f_{s t r u}(x)
      relstru(xi,xj)=fstru(ij)(absstru(xi)+absstru(xj)) r e l_{s t r u}\left(x_{i}, x_{j}\right)=f_{s t r u}(i-j) *\left(a b s_{s t r u}\left(x_{i}\right)+a b s_{s t r u}\left(x_{j}\right)\right) 当两个单词正序时系数为1;相同时系数为0;逆序时系数为-1:
      fstru(x)={1x>00x=01x<0 f_{s t r u}(x)=\left\{\begin{array}{ll} {1} & {x>0} \\ {0} & {x=0} \\ {-1} & {x<0} \end{array}\right.

接下去就是将结构位置信息整合进SAN,

  • 对于绝对位置,通过一个非线性函数将序列位置和结构位置融合得到位置表示:
    asb(xi)=fabs(ABSPE(absseq),ABSPE(absstru))\operatorname{asb}\left(x_{i}\right)=f_{a b s}\left(\mathrm{ABSPE}\left(a b s_{s e q}\right)\right.,\left.\mathrm{ABSPE}\left(a b s_{s t r u}\right)\right)
  • 对于相对位置,采用同上一篇论文一致的方法

一点疑问
简单看了一下《A Structural Probe for Finding Syntax in Word Representations》,也就是作者在文章里说给了他们motivation的论文,大概说的是通过structural probe检测像BERT这样的模型学到的context represetation是否包含了syntax tree信息,结论是可以学到句法树的结构信息。那这样为啥还要加structural position representation呢?


TENER: Adapting Transformer Encoder for Named Entity Recognition

针对命名实体识别任务的一个工作,虽然Transformer系在NLP很多领域都取得了非常大的进步,但是在NER任务上表现不佳。作者分析了注意力机制与特定的NER任务,发现原始实现中的位置信息编码注意力稀疏性方面不太适用于NER。

位置信息编码
  • 距离性
    vanilla transformer中位置信息使用sin/cos函数嵌入,由公式定义
    PEt,2i=sin(t100002i/d)PEt,2i+1=cos(t100002/d) \begin{aligned} P E_{t, 2 i}=& \sin \left(\frac{t}{10000^{2 i / d}}\right) \\ P E_{t, 2 i+1} &=\cos \left(\frac{t}{10000^{2 / d}}\right) \end{aligned}可以推导出PEtTPEt+k=j=0d21[sin(cjt)sin(cj(t+k))+cos(cjt)cos(cj(t+k))]=j=0d21cos(cj(t(t+k)))=j=0d21cos(cjk) \begin{aligned} P E_{t}^{T} P E_{t+k} &=\sum_{j=0}^{\frac{d}{2}-1}\left[\sin \left(c_{j} t\right) \sin \left(c_{j}(t+k)\right)+\cos \left(c_{j} t\right) \cos \left(c_{j}(t+k)\right)\right] \\ &=\sum_{j=0}^{\frac{d}{2}-1} \cos \left(c_{j}(t-(t+k))\right) \\ &=\sum_{j=0}^{\frac{d}{2}-1} \cos \left(c_{j} k\right) \end{aligned} 可见两个元素的点积只与它们之间的距离kk有关(距离敏感),但是进一步研究可以发现,当position embedding被映射到自注意力的键值对时,其就会失去距离敏感性,如下图,最上面的曲线表示PEtTPEt+kP E_{t}^{T} P E_{t+k},可以反映对称性;下面两条曲线表示PEtTWPEt+kP E_{t}^{T}W PE_{t+k},无距离特性。
    在这里插入图片描述

论文中说PEtTWPEt+kP E_{t}^{T}W PE_{t+k}中的WW是随机的,但是这个参数是可学习的,在模型训练之后会不会效果变好?

  • 方向性
    此外,由上述推导可知,令j=tkj=t-k,有
    PEtTPEt+k=PEjTPEj+k=PEtkTPEt P E_{t}^{T} P E_{t+k}=P E_{j}^{T} P E_{j+k}=P E_{t-k}^{T} P E_{t} 因此这也是方向不敏感

由上分析可知该种嵌入方式并不能反映方向性和距离性,但是对于NER任务而言距离和方向都是尤为重要的。为此本文对注意力分数计算进行改进,将绝对位置改成相对位置:Q,K,V=HWq,Hdk,HWvQ, K, V=H W_{q}, H_{d_{k}}, H W_{v} Rtj=[,sin(tj100002idk)cos(tj100002idk),]T {R_{t-j}=\left[\ldots, \sin \left(\frac{t-j}{10000^{2 i} d_{k}}\right) \cos \left(\frac{t-j}{10000^{2 i} d_{k}}\right), \ldots\right]^{T}} Atjrel=QtTKj+QtTRtjuTKj+vTRtj {A_{t j}^{r e l}=Q_{t}^{T} K_{j}+Q_{t}^{T} R_{t-j} u^{T} K_{j}+v^{T} R_{t-j}} Attn(Q,K,V)=softmax(Arel)V {A t tn(Q, K, V)=\operatorname{softmax}\left(A^{r e l}\right) V} 与transformer-xl里的比较像。

注意力稀疏

注意到修改后的Attention计算最后没有用到scaling系数d\sqrt{d},这是因为对于NER任务只需要attend几个相对重要的context就足够了,scaled后的attention分布过于平滑会引入噪音。

这篇论文感觉主要重点在工程意义,在NER任务达到最好的效果;针对NER任务做了专门的修改,除了上面的相对位置信息和系数注意力,由于NER数据集相对较小,也减少了模型的可学习参数避免过拟合。

reference


Encoding Word Order in Complex Embedding

比较有意思的工作,关注的点也是在序列建模的位置信息编码。先前的方法通过引入额外的位置编码,在embedding层将词向量和位置向量通过加性编码融合,
f(j,pos)=fwe(j)+fpe(pos) f(j, p o s)=f_{w e}(j)+f_{p e}(p o s) 但是该种方式每个位置向量是独立训练得到的,并不能建模序列的order relationship(例如邻接或优先关系),作者将此称为the position independece problem

针对该问题提出了一种新的位置编码方式,将独立的词向量替换成自变量为位置的函数,于是单词表示会随着位置的变化而平滑地移动,可以更好地建模单词的绝对位置和顺序信息。
f(j, pos )=gj( pos )CD f(j, \text { pos })=g_{j}(\text { pos }) \in \mathbb{C}^{D} 其中,f(j, pos )f(j, \text { pos })表示此表中序号为jj的单词在位置pospos时的单词向量,DD表示函数集合,gwe():N(F)Dg_{w e}(\cdot):\mathbb{N} \rightarrow(\mathcal{F})^{D}表示单词到函数的映射,展开即为,[gj,1(pos),gj,2(pos),,gj,D(pos)]CD \left[g_{j, 1}(\mathrm{pos}), g_{j, 2}(\mathrm{pos}), \ldots, g_{j, D}(\mathrm{pos})\right] \in \mathbb{C}^{D}
为了达到上述要求,函数应该满足以下两个条件:

Property 1. Position-free offset transformation

对于任意位置pos和n>1n>1,存在变换Transform n()=_{n}(\cdot)= Transform (n,)(n, \cdot)满足,g(pos+n)= Transform n(g(pos)) g(\mathrm{pos}+n)=\text { Transform }_{n}(g(\mathrm{pos})) 特别地,论文考虑Transform为线性变换

Property 2. Boundedness

函数应该是有界的,
δR+, pos N,g(pos)δ \exists \delta \in\mathbb{R}^{+}, \forall \text { pos } \in \mathbb{N},|g(\operatorname{pos})| \leq \delta
接下去,论文证明了满足上述两个条件的解函数形式为,
g(pos)=z2z1pos for z1,z2C with z11 g(p o s)=z_{2} z_{1}^{p o s} \text { for } z_{1}, z_{2} \in \mathbb{C} \text { with }\left|z_{1}\right| \leq 1

贴一下论文给的证明:(看不看无所谓,能用就行haha)
假设函数gg满足上述两个条件,则对于任意位置n1,n2Nn_{1}, n_{2} \in \mathbb{N},有
w(n1)w(n2)g( pos )=w(n2)g( pos +n1)=g( pos +n1+n2)= Transform n1+n2(g( pos ))=w(n1+n2)g( pos ) \begin{aligned} w\left(n_{1}\right) w\left(n_{2}\right) g(\text { pos }) &=w\left(n_{2}\right) g\left(\text { pos }+n_{1}\right)=g\left(\text { pos }+n_{1}+n_{2}\right) \\ &=\text { Transform }_{n_{1}+n_{2}}(g(\text { pos }))=w\left(n_{1}+n_{2}\right) g(\text { pos }) \end{aligned} 因此有w(n1+n2)=w(n1)w(n2)w\left(n_{1}+n_{2}\right)=w\left(n_{1}\right) w\left(n_{2}\right)。我们令w(1)=z1w(1)=z_{1}以及g(0)=z2g(0)=z_{2},由于n1,n2Nn_{1}, n_{2} \in \mathbb{N}是任意的,有
w(n)=(w(1))n=z1nw(n)=(w(1))^{n}=z_{1}^{n}g( pos +n)=w(n)g( pos )=z1ng( pos ) g(\text { pos }+n)=w(n) g(\text { pos })=z_{1}^{n} g(\text { pos }) 当pos 1\geq 1时,有
g( pos )=g(1+ pos 1)=w( pos )g(0)=z1pos z2=z2z1pos g(\text { pos })=g(1+\text { pos }-1)=w(\text { pos }) g(0)=z_{1}^{\text {pos }} z_{2}=z_{2} z_{1}^{\text {pos }}
当pos =1=1时,有g(0)=z2=z2z10 g(0)=z_{2}=z_{2} z_{1}^{0} 综上,将上述所有情况综合有g( pos )=z2z1pos  g(\text { pos })=z_{2} z_{1}^{\text {pos }} 发现当z1>1\left|z_{1}\right|>1g( pos )g(\text { pos })就不是有界的了,因此限制z11\left|z_{1}\right| \leq 1后,有
g( pos )z2z1pos z2z1pos z2 | g(\text { pos })|\leq| z_{2} z_{1}^{\text {pos }}|\leq| z_{2}|| z_{1}^{\text {pos }}|\leq| z_{2} | 这样就满足有界性的条件了;
又由w(n)=z1nw(n)=z_{1}^{n}和Transform n( pos )=w(n)_{n}(\text { pos })=w(n) pos得对所有的位置pos,g( pos +n)=z2z1ps+n=z2z1posz1n=g( pos )z1n=Transformn(g( pos ))g(\text { pos }+n)=z_{2} z_{1}^{\mathrm{ps}+n}=z_{2} z_{1}^{\mathrm{pos}} z_{1}^{n}=g(\text { pos }) z_{1}^{n}=\text{Transform}_{n}(g(\text { pos }))
得证

根据欧拉公式,可以将上式转化为,
g( pos )=z2z1pos =r2eiθ2(r1eiθ1)pos =r2r1pos ei(θ2+θ1 pos ) subject to r11 g(\text { pos })=z_{2} z_{1}^{\text {pos }}=r_{2} e^{i \theta_{2}}\left(r_{1} e^{i \theta_{1}}\right)^{\text {pos }}=r_{2} r_{1}^{\text {pos }} e^{i\left(\theta_{2}+\theta_{1} \text { pos }\right)} \text { subject to }\left|r_{1}\right| \leq 1 在实现过程中,由于上述r11\left|r_{1}\right| \leq 1的限制会导致优化问题,因此一种自然而然的做法就是固定r1=1r_{1}=1,于是上式可以简化为,g( pos )=rei(ω pos +θ) g(\text { pos })=r e^{i(\omega \text { pos }+\theta)}
最终的embedding表示为,
f(j, pos )=gj( pos )=rjei(ωj pos +θj) f(j, \text { pos })=\boldsymbol{g}_{j}(\text { pos })=\boldsymbol{r}_{j} e^{i\left(\boldsymbol{\omega}_{j} \text { pos }+\boldsymbol{\theta}_{j}\right)} 其中振幅rjr_{j}、角频率wjw_{j}和初相θj\theta_{j}是需要学习的参数。

  • 振幅rjr_{j}只和单词本身有关,即原本的词向量;
  • 角频率wjw_{j}决定单词对位置的敏感程度。当角频率非常小时(如下图p1),单词对于所有位置的词向量基本保持不变,这就与标准词向量一样了;

在这里插入图片描述
简单看一下文本分类任务的消融性分析结果:

  • 增加可学习初相之后效果比设置初相为0差:

    “The negative effect of initial phases may be due to periodicity, and ww cannot be directly regularized with L2-norm penalties.”

  • 设置参数共享之后效果变差,可能是由于参数变少导致学习表征能力下降;
    在这里插入图片描述

  1. 要用的话,计算量以及参数量是不是会很大呀
  2. 好像也没跟其他relative position的模型比较

reference

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章