(10강) Advanced Self-supervised Pre-training Models

210916

GPT-2

보다 최근에 나온 모델이다. GPT-1 과 모델 구조적인 차이는 없지만 다음과 같은 특징이 있다.

  • Transformer 모델의 레이어가 많아졌다

  • 여전히 다음 단어를 예측하는 Language Model을 사용하였다.

  • Training data는 40GB 라는 증가된 데이터를 사용했다.

    • 이 때 단순히 그냥 데이터가 아니라 품질이 매우 좋은 데이터를 사용했다.

  • 여러 down-stream stasks가 zero-shot setting 으로 모두 다뤄질 수 있다는 점을 보여준다.

  • 사람이 쓴 부분(빨간색) 이후로 매우 자연스럽게 글(파란색)을 작성한 모습

Motivation

모든 자연어 Task들이 질의응답의 형태로 바뀔 수 있다는 통찰을 제시했다.

  • 이전에는 Binary classification의 감정분석과 How are you 라는 질문에 대한 답변을 예측하는 것이 서로 다른 Output layer 구조를 가지기 때문에 다른 Task로 간주되었다.

  • 감정분석

    • "Do you think this sentence is positive?"

  • 문단요약

    • "What is topic or point on this literature?"

Datasets

데이터셋의 크기가 매우 크면서도 품질 역시 좋아 지식을 효과적으로 잘 배울 수 있다.

일부는 레딧에 있는 답변중 외부링크가 있고, 또 이 답변이 좋아요가 3개 이상 받았을 때 이 외부링크 속 게시물을 데이터셋으로 만들었다.

  • 레딧은 질문/답변 사이트

또한, Byte pair encoding을 사용했으며 Layer Normalization의 위치가 조금 바뀌었다. 또, 레이어가 올라갈수록 선형변환에 사용되는 수들이 0에 가까워지도록 했는데 이는, 위쪽의 레이어의 역할이 줄어들 수 있도록 모델을 구성했다.

Question Answering

모든 Task는 질의응답에 형태로 바뀔 수 있다. 원래는 주어진 대화형 질의응답 데이터를 가지고 Fine tuning 하는 과정을 거쳐야하는데, 이를 학습하지 않고(=Zero shot setting) 바로 추론하는 실험을 해보았더니 55 F1 score가 나왔고 fine tuning을 거치니 89 F1 score가 나왔다.

Summarization

Zero-shot setting으로도 요약이 가능했는데 이 이유는 GPT-2는 이전 단어로 뒷 단어를 예측하다보니, 문단의 마지막 단어가 TR 토큰으로 예측할 수 있도록 초기 모델 학습 때 데이터셋의 각 문장 끝에 TR 토큰을 추가했고 (왜냐하면 요약 Task을 위한 Fine tuning이 그렇게 이루어짐) 바로 어떠한 데이터의 전처리가 필요없이 기존 학습만으로도 요약을 수행할 수 있게된다.

Translation

마찬가지로, 번역 역시 주어진 문장이나 문단 뒤에 "they say in french" 등을 붙여주면 해당언어(여기서는 불어)로 잘 번역하는 성능을 보여줬다.

GPT-3

GPT-2 를 더 개선한 모습. 기존 모델의 구조를 바꾸진 않았고 훨씬 많은 데이터셋, 훨씬 깊은 레이어, 훨씬 많은 배치 사이즈를 적용해서 성능을 많이 끌어올렸다.

GPT-3는 2020년에 인공지능으로 유명한 학회 NeruIPS 에서 Best Paper 상을 받았는데 그 이유는 다음과 같은 놀라운 점을 보여줬기 때문이다.

Language Models are Few-Shot Learners

기존에 GPT-2 가 보여준 Zero-shot 세팅에서의 가능성을 많이 끌어올렸다.

  • 영어를 불어로 번역하는 Task를 어떠한 fine tuning 없이 진행하는 모습.

  • one shot은 이에 대해 예시를 딱 한번만 제공해주는 것

  • 번역을 위한 학습 데이터로 딱 한쌍만 제공하는데, 이러한 데이터의 학습을 위해 모델의 레이어를 변경하거나 하는 것은 일절 하지 않고 기존 데이터의 모양으로 사용한다.

  • Zero-shot 세팅보다 훨씬 성능이 증가한다.

  • one-shot 보다 성능이 더 향상한다.

데이터를 "동적으로" 학습하고 좋은 성능을 낸다는 점에서 GPT-3의 장점을 보여준다.

또한, 모델의 크기가 크면 클수록 모델의 "동적 적응 능력"이 빠르게 상승함을 알 수 있다.

A Lite BERT for Self-supervised Learning of Language Representations

ALBERT 모델은 기존의 메모리나 학습 비용에 대한 장애물을 줄이고 성능에 큰 하락 없이, 오히려 성능을 향상 시키려고 했다.

또, 새로운 변형된 형태의 문장레벨의 self-supervised learning의 pre-trained task를 제안했다.

구체적으로 살펴보자.

Factorized Embedding Parameterization

임베딩 벡터의 차원이 작으면 시퀀스의 특징을 모두 다 담아내지 못하게되고, 그렇다고 너무 크면 연산량도 늘고 파라미터 수도 증가하게되는 딜레마가 있었다.

근데, 잘 생각해보자. 레이어를 심층있게 쌓는다는 것은 시퀀스의 세밀하고 유의미한 특징들을 파악하겠다는 것과 같다. 그렇다는 것은 이러한 특징파악이라는 역할을 깊은 레이어에게 맡기고, 각 단어가 가지는 임베딩 벡터의 차원은 조금 줄어들어도 괜찮지 않을까 라는 아이디어가 생겼고 이를 위해 임베딩 차원을 줄이는 인사이트를 알버트가 제안하게된다.

기존에는 다음과 같이 단어의 임베딩에 positinal 벡터를 더해서 레이어에서 사용했다면,

알버트에서는 레이어의 입력으로 주는 차원은 기존과 동일하지만, 레이어의 입력 차원과 임베딩의 차원은 같을 필요가 없도록 하는 아이디어를 제시한다.

  • 버트는 임베딩 벡터의 차원이 4인데 비해 알버트는 2의 차원을 가지는 것을 볼 수 있다.

  • 2의 차원을 가진 임베딩 벡터의 가중치 W(E x H shape)를 곱해서 4차원의 벡터를 생성하게 된다.

이 방법이 실제로 파라미터 수를 줄여주었을까?

Vocab size가 500이고, attention layer에서 사용되어야 하는 차원이 100이라고 하자.

  • 버트(왼쪽)는 500*100 = 50,000 개의 파라미터가 필요하다

  • 알버트(오른쪽)은 500*15 + 15*100 = 9,000 개의 파라미터가 필요하다.

이러한 방법으로 필요한 파라미터 수를 줄이게 되며 이는 Vocab size와 hidden dimension이 증가할 수록 파라미터 수의 차이가 나게된다.

알버트가 가지는 장점은 또 있다. 기존의 트랜스포머에서 레이어를 깊게 쌓을수록 파라미터 수가 점점 늘어나는 이유는 다음과 같다.

  • multi-head attention을 적용하면서 각각의 head가 독립적이면서 서로 다른 Q, K, V를 사용하기 때문

  • 여러 층으로 구성된 layer 역시 모두 다른 Q, K, V를 사용하기 때문

알버트는 위를 이렇게 해결했다.

  • multi-head는 파라미터를 공유하면 안된다! 그러므로 이부분은 패스하자.

  • shared-attention :여러 층으로 구성된 layer들이 모두 같은 attention 파라미터를 사용하자!

  • shared-ffn : 모든 layer들의 output layer가 같은 파라미터를 사용하자

  • all-shared : 모두 같은걸로 사용하자

  • 위를 보면 당연히 성능은 떨어졌지만 하락폭이 그렇게 크지 않은 모습이다.

알버트에 제시한 또 다른 기법은 Sentence Order Prediction. 기존의 BERT에서 사용되는 pre trained 기법은 두개가 있었다. MASK 된 단어를 맞추는 것과 두 개의 연속된 문장이 실제로 문맥상 이어지는 문장인지를 맞추는 것.

그런데, 버트 이후의 후속 연구들에서 NSP가 너무 쉬웠기 때문에 실효성이 없다는 주장이 나왔고 여러 실험결과에서 NSP를 제거하더라도 모델의 성능이 그렇게 큰 차이가 없다라고 지적을 받았다.

알버트에서는 실효성이 없는 NSP를 유의미하게 하기 위해 이를 확장했다. 기존의 "두 문장이 연속적으로 등장하는 문장인가" 를 판별하는 것이 아니라 실제로 연속적인 문장쌍을 가져와서 정순과 역순으로 변형한뒤 이를 판별하는 문제로 변경했다.

여기서 핵심은, Negative Sampling을 동일문서의 인접문장에서 뽑았다는 것이다. 기존의 bert에서의 NSP는 False의 문장쌍의 경우 두 문장에서 등장하는 단어들이 매우 상이할 가능성이 높았다. 반면 True의 문장쌍의 경우에는 두 문장에서 등장하는 단어들이 겹칠 가능성이 높았다. 그렇다보니 NSP를 할 때 모델은 고차원적인 특징에 대해 분석하기 보다는 동일한 단어들의 등장 횟수 정도의 저차원적인 특징을 사용할 가능성이 높았고 그렇기 때문에 NSP task를 제거하더라도 모델의 성능의 큰 차이가 없었던 것. 그러나 SOP는 공통 단어의 등장 횟수만으로는 이 task를 해결할 수 없으므로 좀 더 고차원적인 문제로 변경되었다고 볼 수 있다.

  • 기존의 None과 NSP는 성능차이가 별로 없거나 오히려 None이 더 높은 상황이 발생했는데, SOP는 모든 경우에서 성능이 높은 것을 알 수 있다.

  • 변종 모델보다 알버트의 성능이 높은 것을 알 수 있다.

  • 또, 모델의 크기가 커지면 성능이 더 높아진다.

ELECTRA: Efficiently Learning an Encoder that Classifies Token Replacements Accurately

버트나 GPT와는 다른 형태로 pretrain 한 모델이다. 실제로 Bert에서 사용한 MASK 또는 GPT에서 활용한 Standard한 Language 모델에서 한발짝 더 나아갔다. 기존에 mask된 단어를 다시 예측하는 MLM 을 두고 이 예측한 단어에 대해 이 단어가 실제로 문장에 있던 단어인지 또는 예측된 단어인지를 구별하게 되는 구분자가 추가되었다.

그래서 이 모델은, 두가지 모델이 적대적 관계를 이루는 상태로 학습이 진행이된다. 이 idea는 기존의 Generative adversarial network에서 착안한 것. Ground Truth를 알고있기 때문에 학습하기 쉽고 이러한 과정을 반복하면서 모델을 고도화시킬 수 있다.

여기서 특징은 generator가 아닌, replaced와 original을 판별하는 Discriminator를 pretrained 모델로 사용하게 된다

  • 기존 버트모델보다 동일한 학습량에 대해 더 좋은 성능을 보인다.

Light-weight Models

기존의 모델들은 self-attention을 점점 많이 쌓으면서 성능을 증가시켰고 경량화 모델의 연구 추세는 이러한 큰 size의 모델이 가지던 성능을 최대한 유지하면서 모델의 크기를 줄이고 계산속도를 빠르게 하는 것에 초점을 맞춘다.

그러므로, 클라우드나 고성능의 GPU를 사용하지 않고 모바일 폰에서도 사용할 수 있도록 한다.

경량화하는 방식은 다양하게 존재하미나 여기서는 Distilation이라는 방법을 사용한다.

DistillBERT

Transformer의 구현체를 쉽게 사용할 수 있도록 한 huggingface 라는 회사에서 발표한 모델이다. 여기에는 Teacher모델과 Student 모델이 있다. Student모델은 Teacher모델보다 레이어의 수나 파라미터 수가 적은 모델이다. 이 Student 모델이 경량화 모델에 초점을 맞춘 모델이다.

Teacher 모델이 각 시퀀스에 대해 다음에 올 단어로 예측한 확률분포가 존재할 것인데 Student 모델은 이 확률분포를 최대한 모사하는것이 목표이다. 그래서 Student 모델의 Ground Truth는 Teacher 모델의 확률분포이다. knowledge distillation 이라는 테크닉을 사용한 모델

TinyBERT

DistillBERT처럼 knowledge distillation 테크닉을 사용하지만 차이점이 있다면 Distil. 의 경우에는 최종 결과물을 모사하려고 한다면 TinyBERT는 중간 결과물까지도 모두 모사하려고 한다. 그래서 각 layer간의 hidden state와 attention parameter까지 동일하게 하려고 하며 이 때 MSE를 이용한다.

하지만, Student 모델의 attention parameter는 Teacher 모델의 파라미터와 동일해지기 어렵다. 왜냐하면 차원수가 다르기 때문에 동일하게 한다는 개념을 정립하지 어려울 수 있다. 그래서 이를 위해 Teacher 모델의 파라미터가 한 개의 FC를 지나서 축소된 차원의 벡터값을 갖도록 하고 Student가 이 축소된 차원과 동일하게 하기 위한 부분으로 하면서 mismatch를 해결했다.

  • 이 FC 역시 학습해야한다.

Fusing Knowledge Graph into Language Model

최신 연구 흐름은 기존의 pretraining model과 지식 그래프라 불리는 knowledge graph라는 외부 정보를 잘 결합하는 형태이다. 버트가 언어적 특성을 잘 이해하고 있는지에 대한 분석이 많이 진행되었는데, 버트는 주어진 문장에서는 문맥을 잘 파악하고 단어들간의 유사도나 관계를 잘 파악했지만 주어진 문장에 포함되어 있지 않은 추가적인 정보가 필요한 경우에는 그 정보를 효과적으로 활용하는 능력은 잘 보여주지 못했다.

만약, 주어진 문장이 다음과 같다고 하자

땅을 팠다

한 경우는 꽃을 심기 위해 판 것이고 또 한 경우는 집을 짓기 위해 팠다고 하자. "땅을 무엇으로 팠을까?" 라는 질문을 했을 때 사람은 꽃의 경우는 "부삽", 집의 경우는 "중장비" 등으로 대답을 할 수 있는 이유는 문장에서 얻는 정보뿐만 아니라 이미 알고있는 외부 정보(=상식)이 있기 때문이다. 인공지능에서의 상식은 Knowledge Graph라는 형태로 표현된다.

버트는 외부지식이 필요한 경우는 취약점을 보이기 때문에 그러한 부분을 Knowledge Graph로 잘 정의하고 이를 BERT와 잘 결합해서 문제들을 좀 더 잘 풀기 위한 연구가 진행된다.

Previous7W RetrospectiveNext(09강) Self-supervised Pre-training Models

Last updated

Was this helpful?