RetroMAE-文本embedding算法

news2024/9/20 20:45:20

在这里插入图片描述
1)输入文本经掩码操作后由编码器（Encoder）映射为隐空间中的语义向量；而后解码器（Decoder）借助语义向量将另一段独立掩码的输入文本还原为原始的输入文本
2)编码器的掩码率为15%-30%；解码器的掩码率为50%-70%
3)Encoder是完整的BERT（12层，768隐层维度，CLS代表句子向量）。Decoder只有单层transformer，由于掩码率很高，会使得解码变得具有挑战性，可以迫使(decoder or encoder ?)生成高质量的句子嵌入，以便可以以良好的保真度恢复原始输入。

现有的sentence embedding方法可分为基于自对比学习(SCL)和基于自编码(AE)两种。基于SCL的方法依赖于数据增强，例如逆完形任务(ICT)，其中为每个目标句子生成正样本。然后，通过对比学习学习语言模型来区分正样本和负样本。然而，自对比学习通常需要大量的负样本，这在计算上是昂贵的。此外，预训练效果会受到数据增强质量的严重制约。基于AE的方法不受这些限制，通过学习语言模型来基于句子嵌入来重构输入句子。

自回归从整个输入令牌中提取训练损失，MLM只从掩码位置学习，占输入令牌的15%。我们对decoder的要求很高，因为它将encoder完全捕获有关输入的语义，以确保重建质量。

Enhanced Decoding

1)从输入的句子中得到更多的训练信号，
2)根据不同的上下文执行重建任务。
提出two-stream self-attention 和 position-specific attention mask。
在这里插入图片描述

M掩码率很高，同时可以利用除了特殊tokens之外的所有tokens来训练模型，因此训练语料的利用率很高。