十五、自回归（AutoRegressive）和自编码（AutoEncoding）语言模型

03-20 阅读 0评论

参考自回归语言模型（AR）和自编码语言模型（AE）

$十五、自回归（AutoRegressive）和自编码（AutoEncoding）语言模型,十五、自回归（AutoRegressive）和自编码（AutoEncoding）语言模型,词库加载错误:未能找到文件“C:\Users\Administrator\Desktop\火车头9.8破解版\Configuration\Dict_Stopwords.txt”。,自然语言处理,方法,GPT,第1张$

（图片来源网络，侵删）

1 自回归语言模型（ AR）

自回归语言模型（AR）就是根据上文内容（或下文内容）预测下一个（或前一个）可能跟随的单词，就是常说的自左向右（或自右向左）的语言模型任务，即通过前 t - 1（或后 t - 1 ）个 tokens 来预测当前时刻 t 的 token，代表的自回归语言模型有 ELMO 和 GPT。

1.1 优点

在处理生成类自然语言处理任务时，就是从左向右的，比如文本摘要，机器翻译等，自回归语言模型天然匹配这个过程。

1.2 缺点

该模型是单向的，只能利用上文或者下文的信息，不能同时利用上文和下文的信息。

2 自编码语言模型（AE）

自动编码器的逻辑过程是指原始 input（设为 x）经过加权（W 和 b)、映射（Sigmoid）之后得到 y，再对 y 反向加权映射回来成为 z。通过反复迭代训练（W 和 b），使得误差函数 L(H) 最小，即尽可能保证 z 近似于 x ，即完美重构了 x。那么可以说正向权重（W 和 b）是成功的，很好的学习了 input 中的关键特征。

自动编码器过程图如下：参考自动编码器

（图片来源网络，侵删）

降噪自编码器（Denoising AutoEncoder, DAE）是指当采用无监督（不需要对训练样本进行标记）的方法分层预训练深度网络的权值时，为了学习到较鲁棒的特征，可以在数据的输入层引入随机噪声。

降噪自编码器过程图如下：

自编码语言模型的名称来自于降噪自编码器（DAE），是通过上下文单词来预测被 [Mask] 的 token（这些被 [Mask] 掉的单词其实就是在输入端加入的噪音，是典型的的思路），通俗地被称为“完形填空”，代表的自编码语言模型有 Word2Vec（CBOW）和 BERT。

2.1 优点

泛化性强，无监督不需要数据标注，可以自然地融入上下文语义信息。

2.2 缺点

适用于“完形填空”式的训练策略，不适用于生成式的问题；
在预训练 Pre-Training 阶段，引入独立性假设，没有考虑预测 [MASK] 之间的相关性；
输入中引入 [Mask] 这一特殊标记对原始 Token 进行替换，而微调 Fine-Tuning 阶段是没有 [Mask] 标记的，导致预训练阶段和微调阶段的数据不一致。
$十五、自回归（AutoRegressive）和自编码（AutoEncoding）语言模型,十五、自回归（AutoRegressive）和自编码（AutoEncoding）语言模型,词库加载错误:未能找到文件“C:\Users\Administrator\Desktop\火车头9.8破解版\Configuration\Dict_Stopwords.txt”。,自然语言处理,方法,GPT,第5张$
（图片来源网络，侵删）