【新智元导读】 ICLR 2020 提交论文数量达到 2594 篇，比去年增加了近 1000 篇。其中，来自谷歌的一篇论文引起格外瞩目，该论文提出 ALBERT 模型，比 BERT-large 参数更少，却在 GLUE、RACE 和 SQuAD 三大 NLP 基准测试中取得第一。>>> 人工智能改变中国，我们还要跨越这三座大山 | 献礼 70 周年
由图灵奖获得者、人工智能巨头 Yoshua Bengio 和 Yann LeCun 牵头创办的顶级会议 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，其中 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！
全部论文：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大家早就有了心理准备。
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。不仅如此，该模型横扫 GLUE、RACE 和 SQuAD，以显著的优势稳坐第一。
事情经过是这样的：
有 Reddit 网友发现，一个叫做 ALBERT 的模型，在 SQuAD 2.0 leaderboard 和 GLUE benchmark 都达到了最佳水准。这是一个前所未见的新模型，引起了大家的好奇。
ALBERT 在 SQuAD 2.0 上排名第一
ALBERT 在 GLUE benchmark 上排名第一
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，顾名思义就是一个轻量级的 BERT 模型。模型大固然效果好，但也超吃资源。训练一次不仅耗时、更费钱。甚至在某些情况下，由于 GPU/TPU 内存限制、训练时间延长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通过两种参数约简技术来降低内存消耗，加快 BERT 的训练速度的思路，于是就有了 ALBERT。
接下来，我们就来看一下这篇 ICLR 2020 投稿论文，来一探这个神仙模型的究竟。
制霸三大基准测试，ALBERT 用了两招
在训练自然语言表示时，增加模型大小通常会提高下游任务的性能。然而，在某种程度上，由于 GPU/TPU 内存的限制、更长的训练时间以及意想不到的 model degradation，进一步增大模型会变得更加困难。
为了解决这些问题，谷歌的研究人员提出了两种参数约简技术，以降低内存消耗，并提高 BERT 的训练速度。
实验表明，本文提出的方法得到的模型比原始 BERT 模型更好。我们还使用 self-supervised loss，专注于建模句子间的连贯性，并表明它始终有助于多句子输入的下游任务。
基于此方法的最佳模型在 GLUE、RACE 和 SQuAD 基准上都得到了最新的 SOTA 结果，而且与 BERT-large 相比，参数更少。
构建更大的模型的一个障碍是可用硬件的内存限制。考虑到目前最先进的模型通常有数亿甚至数十亿个参数，当我们试图扩展模型时，很容易遇到这类限制。在分布式训练中，训练速度也会受到很大的影响，因为通信开销与模型参数的数量成正比。
我们还观察到，简单滴增加模型的 hidden size 可能会导致性能下降，比如 BERT-large。表 1 和图 1 给出了一个典型的例子，我们简单地将这个 BERT-xlarge 模型的 hidden size 增加到 2 倍，结果却很糟糕。
表 1：在 RACE 测试中，增加 BERT-large 的 hidden size 导致模型性能下降。
图 1：较大模型的 masked LM 精度较低，但没有明显的过拟合迹象。
针对上述问题，现有解决方案包括模型并行化 (Shoeybi et al.，2019) 和智能内存管理 (Chen et al.， 2016); Gomez et al., 2017)。这些解决方案解决了内存限制问题，但没有解决通信开销和 model degradation 问题。在本文中，我们通过设计一个比传统 BERT 架构参数少得多的架构来解决上述所有问题，称为A Lite BERT (ALBERT)。
ALBERT 结合了两种参数约简 (parameter reduction) 技术，消除了在扩展预训练模型时的主要障碍。
第一个技术是对嵌入参数化进行因式分解(factorized embedding parameterization)。通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分离开来。这种分离使得在不显著增加词汇表嵌入的参数大小的情况下，更容易增加隐藏大小。
第二种技术是跨层参数共享(cross-layer parameter sharing)。这种技术可以防止参数随着网络深度的增加而增加。
BERT 和 ALBERT 模型的规模
这两种方法都在不严重影响性能的前提下，显著减少了 BERT 的参数数量，从而提高了参数效率。ALBERT 的配置类似 BERT-large，但参数量少了 18 倍，并且训练速度快 1.7 倍。参数约简技术还可以作为一种形式的正则化，可以使训练更加稳定，并且有助于泛化。
为了进一步提高 ALBERT 的性能，我们还引入了一个用于句子顺序预测 (sentence-order prediction ,SOP) 的自监督损失。SOP 主要聚焦于句子间的连贯，旨在解决原始 BERT 模型中下一句预测 (NSP) 损失低效的问题。
基于这些设计，ALBERT 能够扩展到更大的版本，参数量仍然比 BERT-large 少，但是性能明显更好。
我们在 GLUE、SQuAD 和 RACE 三大自然语言理解基准测试上都得到了新的 SOTA 结果：在 RACE 上的准确率提高到 89.4%，在 GLUE 上的得分提高到 89.4，在 SQuAD 2.0 上的 F1 得分达到 92.2。
表 10：GLUE 基准测试的 State-of-the-art 结果。
表 11：在 SQuAD 和 RACE 两个基准测试上的 State-of-the-art 结果
论文地址：
