XLNet解读

背景

我们先对现有的预训练语言模型做个分类讨论。

语言模型AR vs AE

按照预训练语言模型的学习目标，可以分为自回归语言模型(Autoregressive, AR)和自编码语言模型(Autoencoding, AE)两种。

Autoregressive LM

自回归语言模型(Autoregressive LM, AR), 通俗的来说就是单向语言模型，通过过去时刻已知的结果去预测下一个时刻(或者反向)。对于AR语言模型，给定一个序列$X=(x_1,x_2,...,x_T)$, 其出现的概率$p(X)={\prod }_{t=1}^{T}p(x_t|x_{<t})$ 或者反向 $p(X)={\prod }_{t=T}^{1}p(x_t|x_{>t})$，目标是最大化概率
$$\underset{\theta }{\max }log{p}_{\theta }(X)=\sum _{t=1}^{T}log(p_{\theta }(x_t|x_{<t}))=\sum _{t=1}^{T}log\frac{\exp ({h_{\theta }(x_{1:t-1})}^{\top }e(x_t))}{{\sum }_{x\prime }\exp ({h_{\theta }(x_{1:t-1})}^{\top }e(x\prime ))}$$
其中$e(x)$是x的embedding。比如之前的OpenAI-GPT和ELMo(虽然是双向的，但本质是两个单向的concat起来)都是属于AR语言模型

Autoencoding LM

自编码语言模型(Autoencoding LM, AE), 通俗的来说就是重构不完整(部分词被mask)的语料。同上，模型的目标是从mask的序列中预测被mask词，最大化其概率
$$\underset{\theta }{\max }log{p}_{\theta }(\bar{x}|\hat{x})\approx \sum _{t=1}^T{m}_{t}log{p}_{\theta }(x_t|\hat{x})=\sum _{t=1}^T{m}_{t}log\frac{\exp ({H_{\theta }(\hat{x})}^{\top }e(x_t))}{{\sum }_{x\prime }\exp ({H_{\theta }(\hat{x})}^{\top }e(x\prime ))}$$
其中，$\hat{x}$是被mask的序列，$\bar{x}$是所有被mask的tokens，$m_t=1$表示t时刻的token即$x_t$被mask。代表模型有Word2Vec的CBOW和BERT。特别的，bert因为用mask进行了干扰，也可以说是 Denoising Auto-Encoding(DAE)。

AR vs AE

1. 两者的目标不同，AE是为了重构不完整的序列，公式中的约等号是因为这里假设重构整个序列时和重构每个被mask的单词都是独立的(即all masked tokens $\bar{x}$ are separately reconstruct)；而AR是对每个单词的概率做连乘，不存在这种假设
2. AE引入了[MASK]的token，这个在fine-tune中没有，即预训练和微调不一致(pretrain-finetune discrepancy), AR没有这个缺陷
3. AR模型预测概率只用了单向的信息而AE用了双向的信息，所以AE的预训练模型对文本上下文语义信息学的更好
4. AR模型为单向语言模型，由前面的序列预测接下来的token，比较适合本文生成任务，AE就不太适合

Why XLNet comes in？

我们看到了AR和AE的优缺点：AE存在pretrain-finetune discrepancy，概率计算无法像AR连乘；AR无法利用双向信息。有没有一个模型能解决AE和AR缺陷呢？ 答案就是XLNet(因为特征提取器采用的是Transformer-XL而命名)，通过修改目标，不仅是优化单向序列的概率而是最大化所有排列组合的概率(因为单向也是所有排列组合中的一种，所以也叫广义上的AR模型)进行解决. 论文参考《XLNet: Generalized Autoregressive Pretraining for Language Understanding》

XLNet

Permutation Language Model(PLM)

AR的缺陷是无法同时利用双向信息，因此采用排列语言模型解决这一问题。

Specifically, for a sequence x of length T, there are T! different orders to perform a valid autoregressive factorization

对于一个长度为T的序列，共有T!个排列组合，即T!个类似AR的连乘序列；如果每种排列方式共享同一模型参数，即可学到上下文双向的信息。
PLM其训练目标如下：

即对于一个序列T，sample某个排列组合，计算AR的目标，因为模型共享同一组参数，某个词$x_t$肯定看到过之前和之后的词，这样就能学到双向的信息，并且计算概率基于AR的连乘，也没有[MASK]，因此没有AE的独立假设条件也没有训练微调不一致的问题。(需要注意的是这里计算position encoding还是用最开始的顺序，只是用mask来实现排列组合，因此和fine-tune的顺序一致)。
这里我们用一个长度为4的序列举个例子说明

假设要预测3, 排列组合共有4!=24种，例如图中的4种，我们可以发现，输入的顺序是1234，但是利用attention mask，可以屏蔽部分词，达到permutation的目的(比如3->2>4>1, mask所有的词，从memory得到3；2->4->3->1,mask 1, 只attend 2和4去预测3)。注意当句子长度过长的时候，不是计算所有排列组合，而是通过采样的方式进行。

Two-Stream Self-Attention

上述排列组合的方式看似可行，实际存在一个问题。比如对1234的排列组合2->1->3->4和2->1->4->3，预测第三个位置的时的概率和当前的token内容无关。 因此这里引入了新的计算next token probility的方式：

这里的$g_{\theta }$引入目标位置信息即$z_t$。
但是实际实现对传统的transform存在如下两个问题

(1) to predict the token xzt, gθ(xz<t , zt) should only use the position zt and not the content xzt, otherwise the objective becomes trivial;
(2) to predict the other tokens xzj with j > t, gθ(xz<t, zt) should also encode thecontent xzt to provide full contextual information

这里解释一下，对于传统的transformer，encoding包含了position和content信息，但是由于是permutation language model，当预测下一个词的时候我们只需要他的position信息(位置被打乱)但不能知道content信息，预测当前词的时候需要前面词的position和content；因此对于permutation language model，我们有时候需要知道position和content信息，有时候只需要知道position信息。因此这里引入了 two-stream self-attention，query stream就是只含position信息但不含content，content stream和原来transformer的一致(既有位置也又content)。

content stream的计算和原来transformer的attention一致，但query stream
即在计算g的时候用上一课的g作为Q，上一时刻的h作为K和V进行self-attentionn计算；但计算h的时候，用上一时刻的h作为Q，上一时刻的h作为K和V。这种方式保证了在fine-tune的一致性，即fine-tune的时候可以忽略g，直接计算h。h初始化为word embedding， g是随机初始化可训练的vector

Partial Prediction

对于长度为N的序列，排列组合个数为N!。因此为了降低计算复杂度，对于长度L=N的序列设置了一个cutting point, c；我们只对大于C以后的token进行predict, 因此模型的训练目标为

其他

其它和BERT几乎一致，在此参考BERT
模型同时用到了Transformer-XL的ideas，关于Transformer-XL的介绍见Transformer-XL解读

总结

XLNet融合了AR和AE的优点。
如论文标题所说，XLNet是广义上的AR语言模型，依旧采用单向语言模型的目标，但是为了和AEi一样利用上下文双向的信息，同时又不引起因为[MASK]token导致预训练和微调的不一致性，所以引入Permutation Language model代替BERT的Masked Language Model，达到了 state-of-the-art的效果。