기억들의 습작

Cross-lingual Language Model Pre-training

 
  • Nov 05, 2018

Author

  • Guillaume Lample, Alexis Conneau

Abstract

  1. 2가지 Cross-lingual LM(XLM)을 제시
    1. 단일 언어 말뭉치에 대한 비지도학습 방법
    2. 두개 언어에 대해 병렬 말뭉치가 있을 때 지도학습 방법
  2. 그리고 이것은 매우 좋은 성능을 보였음.

1. Introduction

  1. 트랜스포머 이후에 많은 LM기반 Pre-Training모델들이 나왔지만, 대부분 하나의 언어(특히 영어)에 포커스 된 형태.
  2. 최근 이러한 영어 중심의 바이어스된 문제를 완화하고 싶음.
  3. 방안으로 여러 언어가 하나의 임베딩 공간을 공유하고 어떤 언어로 쓰인 문장도 해당 임베딩 공간으로 인코딩 되도록 하는 유니버셜 인코더를 만들고자 함.
  4. 결국, 하고자 하는 것 : we demonstrate the effectiveness of cross-lingual language model pretraining on multiple cross-lingual understanding (XLU) benchmarks
    1. 새로운 비지도 학습 방법 제시
    2. 병렬 데이터를 이용한 지도 학습 방법 제시
    3. 성능 확인 : previous state of the art on cross-lingual classification, unsupervised machine translation and supervised machine
    4. 오픈 할꺼임

3. Cross-lingual language model

2개의 단일언어 기반 비지도 학습법, 1개의 병렬 말뭉치 기반 지도 학습

3.1 Shared sub-word vocabulary

  1. 기본적으로 BPE사용
  2. 언어간 같은 단어(숫자나 고유명사 등)은 공유

  3. 문장들은 monolingual corpora에서 일정 확률 분포를 이용해서 추출(a = 0.5)

3.2 Causal Language Modeling(CLM)

  1. 일반적인 Transformer Decoder를 이용한 LM

3.3 Masked Language Modeling(MLM)

  1. BERT와 같은 형태

3.4 Translation Language Modeling(TLM)

  1. 번역 말뭉치에서 원본 문장과 번역 문장을 이용 (같은 의미를 가지는 언어가 다른 두 개의 문장 : Source lang, Target lang)
  2. 각 문장의 Position Embedding은 각각 문장 시작점을 ‘0’으로 함

  3. 그리고 전체 문장에 Mask를 씌움

3.5 Cross-lingual Language Models

  1. 3개의 방법으로 pretraining 진행 : CLM, MLM, CLM used in combination with TML
  2. CLM, MLM
    1. Batch size : 64
    2. Token length : 256
    3. 같은 배치 내에서는 같은 언어만
  3. CLM used in combination with TML
    1. 같은 배치내에서는 같은 언어쌍이 나오도록 함

4. Cross-lingual language model pretraining

  1. Cross-lingual LM 를 통해 얻고자 하는 것
    1. a better initialization of sentence encoders for zero-shot cross-lingual classification
    2. a better initialization of supervised and unsupervised neural machine translation systems
    3. language models for low-resource languages
    4. unsupervised cross-lingual word embeddings

4.1 Cross-lingual classification

  1. “Cross-lingual natural language inference (XNLI) dataset”을 성능 측정을 위해 사용할 예정
  2. Pre-training 이후에 Transformer 뒷단에 linear classifer 하나를 두고 영어 NLI 학습 셋으로 fine-tuning 진행
  3. 그 후에 15개 언어에 대해 XNLI를 테스트

4.2 Unsupervised Machine Translation

  1. “Unsupervised neural machine translation(UNMT)” 에서 초기 cross-lingual word embedding의 품질이 매우 중요함.
  2. 초기 word-embedding을 룩업 테이블을 사용하는 대신 Transformer Encoder-Decoder를 Cross-Lingual LM 방법으로 학습해서 사용.
  3. “WMT 14 En-Fr”, “WMT 16 En-Dr”, “WMT 16 En - Ro” 에 대해 테스트

4.3 Supervised Machine Translation

  1. “WMT 16 En-Ro” 로 테스트

4.4 Low-resource language modeling

  1. Wikipedia에 100k 문장 정도의 네팔어가 있고 힌디어는 약 6배 정도 됨
    1. 두 개의 언어는 약 80% 정도의 BPE vocab을 공유(100k subword units)
  2. 이 경우, 네팔어만 가지고 LM을 한 것과, 힌디어를 함께 한것, 또 영어까지 함께 한 것을 가지고 비교
  3. 비교 방법은 LM에서 perplexiy 측정

4.5 Unsupervised cross-lingual word embedding

  1. 3가지 방법을 비교

    1. “Word translation without parallel data” 방법

    2. Shared Vocab을 만들고 fastText 방법으로 Embedding 학습(common alphabet 이용)
    3. XLM에서 단어를 그대로 룩업해서 사용
  2. 비교 방법 : cosine similarity, L2 distance, cross-lingual word similarity

5. Experiments and results

Search