GAS:预训练模型ProphetNet：根据未来文本信息进行自然语言生成

作者|刘大一恒、齐炜祯、晏宇、宫叶云、段楠、周明

编者按：微软亚洲研究院提出新的预训练模型ProphetNet，提出了一种新的自监督学习目标——同时预测多个未来字符，在序列到序列的多个自然语言生成任务都取得了优异性能。

大规模预训练语言模型在自然语言理解和自然语言生成中都取得了突破性成果。这些模型通常使用特殊的自监督学习目标先在大规模无标记语料中进行预训练，然后在下游任务上微调。

传统自回归语言模型通过估计文本语料概率分布被广泛用于文本建模，序列到序列的建模，以及预训练语言模型中。这类模型通常使用teacher-forcing的方法训练，即每一时刻通过给定之前时刻的所有字符以预测下一个时刻的字符。然而，这种方式可能会让模型偏向于依赖最近的字符，而非通过捕捉长依赖的信息去预测下一个字符。有如以下原因：局部的关系，如两元字符的组合，往往比长依赖更强烈；Teacher-forcing每一时刻只考虑对下一个字符的预测，并未显式地让模型学习对其他未来字符的建模和规划。最终可能导致模型对局部字符组合的学习过拟合，而对全局的一致性和长依赖欠拟合。尤其是当模型通过贪心解码的方式生成序列时，序列往往倾向于维持局部的一致性而忽略有意义的全局结构。

Aave 战略负责人：去中心化可分为独裁、寡头治理、代议制、无状态等四个阶段:金色财经报道，Aave 战略负责人 Marc Zeller 发布文章探讨去中心化的四个阶段，分别为独裁（Autocracy）、寡头治理（Oligarchy）、流动性代议制民主（Liquid Representative Democracies）、无状态（Stateless Stage）。

具体而言，独裁中开发团队几乎完全控制项目，专制阶段允许团队快速开发和迭代，使其能够构建最小可行产品并努力实现产品市场契合度。

寡头治理阶段通常在融资轮次之后，代币持有者开始在治理方面获得更多权力，而早期投资者的影响可能具有挑战性。

只有当代币供应分配到足以稀释第 2 阶段寡头的影响力时，才能实现流动性代议制民主阶段。Marc Zeller 认为目前还没有项目达到成熟的 DAO 阶段，MakerDAO 和 Aave 正处于从第 2 阶段过渡到第 3 阶段的边缘。

无状态阶段与无国家社会类似，目前，LUSD、以太坊和比特币是 Marc Zeller 认为第 4 阶段中仅有的重要参与者。[2023/4/4 13:44:23]

ProphetNet

Collab.Land Marketplace测试版将于3月3日上线:3月2日消息，Discord拓展应用插件Collab.Land在社交媒体宣布，Collab.Land Marketplace测试版将于北京时间3月3日上线，并邀请开发者和社区管理员参与以实现社区治理。Collab.Land Marketplace将会纳入更多小程序，为社区提供帮助支持和实用性，以实现更好的协调、奖励、沟通和运营，明天上线的小程序包括社区可视化公司Sobol、POAP声明命令等，此外Collab.Land的“访客通行证（Guest Pass）”功能可用于临时代币门控访问。[2023/3/2 12:38:01]

针对上述问题，我们提出了一个新的seq2seq预训练模型，我们称之为ProphetNet。该模型带有一个新颖的自监督学习目标函数，即预测未来的N元组。与传统seq2seq的Teacher-forcing每一时刻只预测下一个字符不同，ProphetNet每一时刻将学习去同时预测未来的N个字符。如图1所示：

Clickatell为尼日利亚CBDC eNaira开通USSD通道:金色财经报道，CPaaS聊天商务Clickatell与尼日利亚中央银行（CBN）合作，利用USSD渠道向所有尼日利亚人提供eNaira银行服务，不需要数据，并可在所有手机上使用。

eNaira于2021年10月推出。由于金融包容性是eNaira目标的核心，尼日利亚总统布哈里总统还表示，他相信CBDC将在未来10年使该国的GDP增加290亿美元。（finextra）[2022/9/21 7:11:12]

图1：左边是传统的语言模型，每一时刻预测下一时刻的字符。右边是Bigram形式下的ProphetNet，每一时刻同时预测未来的两个字符。

预测未来N元组这一自监督学习目标在训练过程中显式地鼓励模型在预测下一个字符时考虑未来更远的字符，做到对未来字符的规划，以防止模型对强局部相关过拟合。

ProphetNet基于Transformer的seq2seq架构，其设计有两个目标：1.模型能够以高效的方式在训练过程中完成每时刻同时预测未来的N个字符；2.模型可以灵活地转换为传统的seq2seq架构，以在推理或微调阶段兼容现有的方法和任务。为此，我们受XLNet中Two-streamselfattention的启发，提出了用于模型decoder端的N-streamself-attention机制。图2展示了bigram形式下的N-streamself-attention样例。

Checkout.com正探索推出两款新的加密产品:金色财经报道，支付公司Checkout.com正在探索推出两种新的加密产品，该产品将促进加密支付，允许工人以加密形式直接通过数字钱包获得报酬，以及另一种为在线商家提供一种接受加密形式的方法。Checkout.com加密策略主管Jess Houlgrave表示，到今年年底，我们将让一些商家至少试行这两者中的一个。

Checkout.com成立于 2012 年，由于几轮融资，这家初创公司的估值在过去几年中飙升，最近一轮融资达到 10 亿美元，估值为 400 亿美元。

自 2018 年以来，Checkout.com 一直与加密公司合作，帮助他们以法定货币进行支付。Houlgrave 表示，该公司与 15 家最大的加密货币交易所中的 12 家合作。[2022/8/10 12:15:29]

除了原始的multi-headself-attention之外，N-streamself-attention包含了额外的N个predictingstreamself-attention，用于分别预测第n个未来时刻的字符所示。每一个predictingstream与mainstream共享参数，我们可以随时关闭predictingstream以让模型转换回传统seq2seq的模式。

安全团队：PREMINT攻击者目前已将被盗资金转移到Tornado Cash:7月18日消息，据成都链安技术团队分析，目前PREMINT攻击者6个黑地址中，仅0x99AeB028E43F102C5776F6B652952BE540826bf4地址剩余84.5ETH，成都链安链必追平台监测到攻击者目前已将被盗资金陆续转移到Tornado Cash。此前消息，黑客在PREMINT网站中通过植入恶意的JS文件实施钓鱼攻击，PREMINT官方提醒用户不要签署任何设置批准所有的交易。[2022/7/18 2:20:33]

图2：(a)为mainstreamself-attention；(b)为1-stpredictingstreamself-attention；(c)为2-ndpredictingstreamself-attention；(d)展示了n-streamself-attention的输入输出及流程。

由于难以获取到大量带标记的序列对数据，我们用去噪的自编码任务通过大量无标记文本预训练ProphetNet。去噪的自编码任务旨在输入被噪音函数破坏后的序列，让模型学习去复原原始序列。该任务被广泛应于seq2seq模型的预训练中，如MASS、BART、T5等。本文中使用MASS的预训练方式，通过引入提出的predictingn-stream自监督学习目标函数预训练ProphetNet。我们以bigram形式的ProphetNet为例，整个流程如图3所示：

图3：二元形式下的Prophet整体框架图

实验结果

我们使用两个规模的语料数据训练ProphetNet。ProphetNet包含12层的encoder和12层的decoder，隐层大小为1024。先在BERT所使用的BookCorpus+Wikipedia的数据上预训练模型，将模型在Textsummarization和Questiongeneration两个NLG任务上的三个数据集微调并评估模型性能。与使用同等规模数据的预训练模型相比，ProphetNet在CNN/DailyMail、Gigaword和SQuAD1.1questiongeneration数据集上都取得了最高的性能，如表1-3所示。

表1：CNN/DailyMail测试集结果

表2：Gigaword测试集结果

表3：SQuAD1.1测试集结果SQuAD1.1交换验证测试集结果

除了使用16GB的语料训练模型，我们也进行了更大规模的预训练实验。该实验中，我们使用了160GB的语料预训练ProphetNet。我们展示了预训练14个epoch后的ProphetNet在CNN/DailyMail和Gigaword两个任务上微调和测试的结果。如表4所示。需要注意的是，在相同大小的训练数据下，我们模型的预训练epoch仅约为BART的三分之一。我们模型的训练数据使用量仅约为T5和PEGASUSLARGE的五分之一，约为PEGASUSLARGE的二十分之一。尽管如此，我们的模型仍然在CNN/DailyMail上取得了最高的ROUGE-1和ROUGE-LF1scores。并在Gigaword上实现了新的state-of-the-art性能。

表4：模型经大规模语料预训练后在CNN/DailyMail和Gigaword测试集的结果

为了进一步探索ProphetNet的性能，我们在不预训练的情况下比较了ProphetNet和Transformer在CNN/DailyMail上的性能。实验结果如表5所示，ProphetNet在该任务上超越了同等参数量的Transformer。

表5：模型不经过预训练在CNN/DailyMail验证集结果

总结

本文介绍了微软亚洲研究院在序列到序列模型预训练的一个工作：ProphetNet，该模型提出了一种新的自监督学习目标，在同一时刻同时预测多个未来字符。并通过提出的N-streamself-attention机制高效地实现了模型在该目标下的训练。实验表明，该模型在序列到序列的多个自然语言生成任务都取得了不错的性能。我们将在之后尝试使用更大规模的模型架构和语料进行预训练，并进一步深入地探索该机制。

论文链接：https://arxiv.org/pdf/2001.04063.pdf

原力计划

《原力计划-学习力挑战》正式开始！即日起至3月21日，千万流量支持原创作者！更有专属等你来挑战

Python数据清理终极指南口罩检测识别率惊人，这个Python项目开源了谈论新型冠状病、比特币、苹果公司……沃伦巴菲特受访中的18个金句，值得一看！天猫超市回应大数据杀熟；华为MateXs被热炒至6万元；Elasticsearch7.6.1发布一张图对比阿里、腾讯复工的区别不看就亏系列！这里有完整的Hadoop集群搭建教程，和最易懂的Hadoop概念！|附代码

标签：CNNGASBARCNN币是什么币GAS币是什么币BAR价格BAR币

抹茶交易所热门资讯