Transformer的复杂度和高效设计及Transformer的应用

来自：AI部落联盟

前言

这次我们总结一下ACL2021中的Transformers，看看2021年了，NLPer在如何使用、应用、改进、分析Transformers，希望可以对大家产生idea有帮助。

本文涉及25篇Transformer相关的文章，对原文感兴趣的读者可以关注公众号回复： ACL2021Transformers，下载本文所涉及的所有文章～本文主要内容：

前言

ACL 2021中的25个Transformers模型

总结

ACL 2021中的25个Transformers模型

NLP中的层次结构Hi-Transformer： Hierarchical Interactive Transformer for Efficient and Effective Long Document Modeling

高效和长文本transformer模型设计，短文。如上图所示，这篇文章主要提出一种解决长文本任务的transformer模型：首先分别encoder sentence表示，然后再encod document表示，最后再重新encde sentence表示，总体上比较简单的local+global设计。

R2D2： Recursive Transformer based on Differentiable Tree for Interpretable Hierarchical Language Modeling

将Transformer和语言文字层次结构相结合的一篇文章。本文基于可差分CKY树，提出一种recursive Transformer模型，用于捕获语言中的层次结构（words， Phrases， sentences），与目前直接堆叠Transformer Layer的模型进行对比（例如BERT，Albert）除了可以学好表示，还能学到tree结构，与之前基于CKY的parser模型，Tree-LSTM模型比较相似。为了能让recursive Transformer进行快速、大规模训练，文章也相应提出了优化算法。Recursive Transformer语言模型实验是基于WikiText-2做的，效果还可以。为了凸显该模型的tree 结构性，文章进一步做了无监督Constituency Parse，显示了该模型结构在学习语言层次结构上的能力。

Transformer复杂度和高效设计IrEne： Interpretable Energy Prediction for Transformers

本文预测Transformer运行所消耗的能量，很有趣。首先，这篇文章将Transformer模型结构按照Tree进行拆解：整个模型是root节点（例如BERT），root节点下逐步拆分出子模块（比如BertSelf Attention），最终子模块由最基本的ML单元组成（例如全连接Dense网络），最终自底向上，先预测单个ML单元的能量消耗，再汇总计算出整体模型的能量消耗。为了验证该方法的有效性，该文还创建了一个数据集来评测Transformer-based模型的能量消耗。IrEne的代码在：https://github.com/StonyBrookNLP/irene

Optimizing Deeper Transformers on Small Datasets

小数据集+更深更大的模型，有点反常识的感觉，不过也很有趣。总体上，这篇文章通过合适的模型初始化方式和优化算法，在很小很难的Text-to-SQL任务上取得了不错的结果，这篇文章的核心是Data-dependent Transformer Fixed-update，那这个DT-Fixup怎么做的呢？比如使用的模型是roberta，在roberta上面再堆叠个几层随机Transformer：

对于模型中非预训练模型初始化的部分，使用Xavier initialization进行初始化。

对于模型中非预训练模型初始化的部分，将学习率的warm-up和所有的layer normalization去掉。

对所有的样本进行一遍前向传播获得输入的一个估计：，是roberta输出的表示。

根据得到的，在新叠加的每层Transformer上，对attention和权重矩阵进行设计好的缩放。

文章理论推导较多，建议感兴趣的同学下载文章后阅读原文进行学习。

READONCE Transformers： Reusable Representations of Text for Transformers

Transformer推理提速。文章的思路是：无论是问答任务，摘要生成任务还是其他任务里的不同样本可能会多次涉及到同一个wiki段落，这个时候不用每次都重新encode这个wiki段落，可以只encode这个段落一次然后re-use。文章思路和另一个SIGIR 2020的很像：DC-BERT： Decoupling Question and Document for Efficient Contextual Encoding

Parameter-efficient Multi-task Fine-tuning for Transformers via Shared Hypernetworks

parameter-efficient相关的一篇文章，通过多任务学习和特定的模型参数共享来达到更好的迁移学习效果。总体上模型是make sense的。如上图所示，该论文基于adapter类似的结构设计来帮助下游任务finetune，但adapter处的设计与之前的研究不同的是：给予task id， adapter位置，layer id动态计算所有layer的adapter参数。代码开源在：https://github.com/rabeehk/hyperformer

Length-Adaptive Transformer： Train Once with Length Drop， Use Anytime with Search

高效Transformer设计。文章的主要亮点是：1. transformer中间层的长度自适应，可以减少参数量。2. 减少的参数所对应的token表示可以被restore，因此可以用来做抽取式QA任务。文章在文本分类和QA任务上进行了验证。

H-Transformer-1D： Fast One-Dimensional Hierarchical Attention for Sequences

高效transformer设计。文章借鉴数值分析领域的：Hierarchical Matrix和Multigrid method，提出了一种hierarchical attention结构，该结构是线性时间复杂度和空间复杂度，并进一步优化到只使用dense layer运算进行实现。

Transformer分析和可解释性Personalized Transformer for Explainable Recommendation

推荐、可解释性、NLP相结合的一篇文章。该论文提出了PETER模型（如上图所示），将user， item和item feature，item的explanation当作模型输入，对user，item进行表示学习，同时也学习item特征向量表示和explanation文字的表示，输出又3个任务，Rating prediction是推荐任务，context Prediction是用item的输出表示预测item的生成item的explanation（和doc2vec算法类似），Explanation Generation就是正常的生成任务。

总体上user、item着两个输入和对应的表示能让模型学到Personalized和recommendation的知识，Explanation预测就是正常的生成任务。该模型在Yelp、Amazon，TripAdvisor数据集上做了实验，有不错的效果。

Contributions of Transformer Attention Heads in Multi- and Cross-lingual Tasks

对Transformer不同Head重要性进行分析的一篇文章。这篇文章在multi-lingual，Cross-lingual任务上，对mBERT、XLM-R这两个Transformer模型进行了分析，实验结果显示：1. 对attention head进行剪裁之后依旧可以获得与原模型相匹配的效果，甚至可以获得更好的效果。2. 根据梯度来确定哪些head可以被剪裁。3. 文章在多语言的POS和NER数据集上验证了结论和方法的正确性质。

Are Pre-trained Convolutions Better than Pre-trained Transformers？

对比CNN和Transformer的效果。该文之前已经在公众号上分享过啦，相关链接： 预训练的卷积模型比Transformer更好？

Attention Calibration for Transformer in Neural Machine Translation

翻译的时候decoder需要attention到正确的词才能获得更好的效果，但是如果有其他不重要带来了严重的干扰，那么翻译效果将会下降，来自腾讯的这篇工作展示了如何修正翻译中的attention来帮助机器翻译。

总体结构如上图所示，通过一个mask perturbation 模型来学习如何对attention进行修正，基本思路是：如果mask到了重要的词，那么翻译效果下降，如果mask掉了干扰词（也就是修正了原来的attention分数），那么翻译效果上升。

What Context Features Can Transformer Language Models Use？

Transformer需要的重要feature分析。这篇文章对transformer模型在中长文本上的效果进行对比分析发现：

1. 对于长文本而言，增加最大token数量的限制（256到768）有帮助。

2. 对于当前的模型而言，长文本的信息主要来源于content words和局部occurrence统计信息：删除一些function words和局部window内随机shuffle对模型最终影响比较小。

3. 并不是context中所有feature重要性都相同。总体上文章对：word order，sentence order，order of sections，根据token属性对token进行控制变量的删减等一些列feature进行了控制变量分析。

Reservoir Transformers

Transformer分析文章。文章显示：固定预训练模型的部分参数或者增加一些随机初始化的模块（比如加入gru，cnn等模块）可以提升transformer模型最终效果。文章在语言模型和翻译任务上进行验证。

More Identifiable yet Equally Performant Transformers for Text Classification

对Transformer模型进行可解释性设计。文章的主要贡献是：1. attention不同权重可鉴别性的理论分析。2. 设计了一种transformer变体有助于attention权重的鉴别从而提升可解释性。3. 在文本分类任务上做了分析和验证，提升可鉴别性的同时不降低原有任务的效果。

长文本处理ERNIE-DOC： A Retrospective Long-Document Modeling Transformer

针对长文本处理的Transformer优化，来自百度NLP团队。入上图所示，整个长文章的被分成了多片，该文章认为之前的Transformer模型都无法利用整个文章的信息，而提出的ERNIE-DOC用到了所有文本信息。

为了让模型能看到长文本所有信息，该文章主要有以下几个贡献：

1. 一个长文本feed给模型2次。

2. 由于目前的recurrence Transformer所能看到的最长文本受到最大层数的限制，所以提出了一个enhanced recurrence mechanism进一步扩大Transformer所能看到的文本范围。

3. 还提出了一个segment-reordering任务，主要就是将文本中的分片打乱，然后预测是否是正确的顺序。论文在语言模型任务、document-level的长文本理解任务，以及一系列中英文下游任务上进行了验证。

G-Transformer for Document-level Machine Translation

Transformer虽然在单句翻译中有不错的效果了，但多句翻译/document-level的翻译还远不够好。这篇文章发现多句翻译训练的时候容易陷入局部最优，陷入局部最优的原因是因为翻译的时候需要attention 的source words太多了。

所以这个文章做了一个比较容易理解的事情：把document level的翻译依旧看作是多个单个句子翻译，通过句子序号来提醒模型翻译到哪里了，从而缩小target到source需要attention的范围。

Transformer有趣的应用Topic-Driven and Knowledge-Aware Transformer for Dialogue Emotion Detection

结合Transformer和knowledge base，对对话系统中的Topic和情感倾向进行识别。该文主要贡献如下：1. 首次基于topic来帮助对话情感识别。2. 使用pointer network和attention机制融入commonsense knowledge。3.在解决对话情感检测任务时，设计了一个基于Transformer encoder-decoder结构的模型，来取代之前通用的recurrent attention一类的网络。

Unsupervised Out-of-Domain Detection via Pre-trained Transformers

深度学习模型的效果越来越好，但如果遇到和训练样本分布不一致的输入会怎么样？这篇文章基于BERT模型中多层Transformer所提取的feature，在inference阶段对out-of-domian的样本检测，可以有效排除和训练样本分布不一致的测试样本，基于深度学习模型对深度学习模型的输入进行检查，也是很有趣的一个方向。

MECT： Multi-Metadata Embedding based Cross-Transformer for Chinese Named Entity Recognition

融入中文字形而设计的一种Transformer，该论文显示融入了中文字形之后，在多个中文任务上取得了更好的效果。

ChineseBERT： Chinese Pretraining Enhanced by Glyph and Pinyin Information

ARBERT & MARBERT： Deep Bidirectional Transformers for Arabic

扩展Transformer模型到多种语言。文章设计和实现了两个ARabic-specific Transformer并在大量的语料和多种datasets上进行了预训练，文章还提出了一个benchmark ARLUE进行专门的多语言评测。

Glancing Transformer for Non-Autoregressive Neural Machine Translation

Transformer在翻译上的应用，主要是非自回归翻译模型方法的提出，来自字节跳动。文章提出一种非自回归的翻译模型，可以并行快速decode。感兴趣的读者可以阅读中文讲解：https://www.aminer.cn/research_report/60f0188430e4d5752f50eafd

在预训练中用上字形和拼音信息，和上一个MECT同类型的研究。

总结

本文涉及的transformer相关研究主要分以下几个类别：

NLP中的层次结构

Transformer的复杂度和高效设计

长文本处理

基于Transformer的一些有趣的应用

今天的分享就到这里啦，大家觉得不错的话，帮点赞和分享一下吧，谢谢～～～

编辑：jq