【新智元导读】 ICLR 2020 提交论文数量到达 2594 篇，比上一年添加了近 1000 篇。其间，来自谷歌的一篇论文引起分外瞩目，该论文提出 ALBERT 模型，比 BERT-large 参数更少，却在 GLUE、RACE 和 SQuAD 三大 NLP 基准测验中取得榜首。>>> 人工智能改动我国，咱们还要跨过这三座大山 | 献礼 70 周年
由图灵奖获得者、人工智能巨子 Yoshua Bengio 和 Yann LeCun 牵头兴办的顶级会议 ICLR，被誉为深度学习 “无冕之王”，获得学术研究者们广泛认可。
ICLR 2019 共收到 1591 篇论文投稿，其间 oral 论文 24 篇，poster 论文 476 篇。
ICLR 2020 更疯狂，到 9 月 25 日论文提交截止日期，已投稿的论文有 2594 篇！
悉数论文：openreview.net/group?id=IC…
当然这也不算特别惊人，毕竟最近几年顶会论文的疯狂增长咱们早就有了心理准备。
在这么多投稿中，一篇来自谷歌的论文很快引起研究社区瞩目。该论文提出一个名为ALBERT的模型，比 BERT-large 参数更少，却在 GLUE 基准远远甩开 BERT-Large 拿到榜首。不只如此，该模型横扫 GLUE、RACE 和 SQuAD，以显着的优势稳坐榜首。
工作经过是这样的：
有 Reddit 网友发现，一个叫做 ALBERT 的模型，在 SQuAD 2.0 leaderboard 和 GLUE benchmark 都到达了最佳水准。这是一个前所未见的新模型，引起了咱们的好奇。
ALBERT 在 SQuAD 2.0 上排名榜首
ALBERT 在 GLUE benchmark 上排名榜首
不久，终于有网友扒出了这个模型的论文，原来是 ICLR 2020 的一篇投稿，出自谷歌。
ALBERT 又叫 A LITE BERT，望文生义便是一个轻量级的 BERT 模型。模型大固然效果好，但也超吃资源。练习一次不只耗时、更费钱。甚至在某些情况下，由于 GPU/TPU 内存约束、练习时刻延伸以及意外的模型退化等原因，更难提升模型大小。
谷歌研究人员对此提出了经过两种参数约简技能来下降内存耗费，加快 BERT 的练习速度的思路，所以就有了 ALBERT。
接下来，咱们就来看一下这篇 ICLR 2020 投稿论文，来一探这个神仙模型的终究。
制霸三大基准测验，ALBERT 用了两招
在练习自然言语表示时，添加模型大小一般会进步下流任务的功能。但是，在某种程度上，由于 GPU/TPU 内存的约束、更长的练习时刻以及意想不到的 model degradation，进一步增大模型会变得愈加困难。
为了处理这些问题，谷歌的研究人员提出了两种参数约简技能，以下降内存耗费，并进步 BERT 的练习速度。
实验标明，本文提出的办法得到的模型比原始 BERT 模型更好。咱们还使用 self-supervised loss，专心于建模语句间的连贯性，并标明它一直有助于多语句输入的下流任务。
基于此办法的最佳模型在 GLUE、RACE 和 SQuAD 基准上都得到了最新的 SOTA 成果，并且与 BERT-large 比较，参数更少。
构建更大的模型的一个妨碍是可用硬件的内存约束。考虑到目前最先进的模型一般有数亿甚至数十亿个参数，当咱们企图扩展模型时，很简略遇到这类约束。在分布式练习中，练习速度也会遭到很大的影响，由于通讯开支与模型参数的数量成正比。
咱们还观察到，简略滴添加模型的 hidden size 可能会导致功能下降，比方 BERT-large。表 1 和图 1 给出了一个典型的例子，咱们简略地将这个 BERT-xlarge 模型的 hidden size 添加到 2 倍，成果却很糟糕。
表 1：在 RACE 测验中，添加 BERT-large 的 hidden size 导致模型功能下降。
图 1：较大模型的 masked LM 精度较低，但没有显着的过拟合迹象。
针对上述问题，现有处理方案包含模型并行化 (Shoeybi et al.，2019) 和智能内存办理 (Chen et al.， 2016); Gomez et al., 2017)。这些处理方案处理了内存约束问题，但没有处理通讯开支和 model degradation 问题。在本文中，咱们经过设计一个比传统 BERT 架构参数少得多的架构来处理上述所有问题，称为A Lite BERT (ALBERT)。
ALBERT 结合了两种参数约简 (parameter reduction) 技能，消除了在扩展预练习模型时的首要妨碍。
榜首个技能是对嵌入参数化进行因式分解(factorized embedding parameterization)。经过将大的词汇表嵌入矩阵分解为两个小的矩阵，将隐藏层的大小与词汇表嵌入的大小别离开来。这种别离使得在不显着添加词汇表嵌入的参数大小的情况下，更简略添加隐藏大小。
第二种技能是跨层参数同享(cross-layer parameter sharing)。这种技能可以避免参数跟着网络深度的添加而添加。
BERT 和 ALBERT 模型的规模
这两种办法都在不严重影响功能的前提下，显着减少了 BERT 的参数数量，从而进步了参数效率。ALBERT 的装备类似 BERT-large，但参数量少了 18 倍，并且练习速度快 1.7 倍。参数约简技能还可以作为一种方式的正则化，可以使练习愈加稳定，并且有助于泛化。
为了进一步进步 ALBERT 的功能，咱们还引入了一个用于语句顺序预测 (sentence-order prediction ,SOP) 的自监督损失。SOP 首要聚集于语句间的连贯，旨在处理原始 BERT 模型中下一句预测 (NSP) 损失低效的问题。
基于这些设计，ALBERT 可以扩展到更大的版本，参数量仍然比 BERT-large 少，但是功能显着更好。
咱们在 GLUE、SQuAD 和 RACE 三大自然言语理解基准测验上都得到了新的 SOTA 成果：在 RACE 上的准确率进步到 89.4%，在 GLUE 上的得分进步到 89.4，在 SQuAD 2.0 上的 F1 得分到达 92.2。
表 10：GLUE 基准测验的 State-of-the-art 成果。
表 11：在 SQuAD 和 RACE 两个基准测验上的 State-of-the-art 成果
论文地址：
openreview.net/pdf?id=H1eA…
