©PaperWeekly 原创 · 作者｜苏剑林
单位｜追一科技
研究方向｜NLP、神经网络
Teacher Forcing 是 Seq2Seq 模型的经典训练方式，而 Exposure Bias则是 Teacher Forcing 的经典缺陷，这对于搞文本生成的同学来说应该是耳熟能详的事实了。笔者之前也曾写过文章 Seq2Seq中Exposure Bias现象的浅析与对策，初步地分析过 Exposure Bias 问题。
本文则介绍 Google 新提出的一种名为“TeaForN”的缓解 Exposure Bias 现象的方案，来自论文 TeaForN: Teacher-Forcing with N-grams，它通过嵌套迭代的方式，让模型能提前预估到后 N 个 token（而不仅仅是当前要预测的 token），其处理思路上颇有可圈可点之处，值得我们学习。
论文标题：
TeaForN: Teacher-Forcing with N-grams
论文链接：
https://arxiv.org/abs/2010.03494
（注：为了尽量跟旧文章保持一致，本文的记号与原论文的记号有所不同，请大家以理解符号含义为主，不要强记符号形式。）
Teacher Forcing
文章 Seq2Seq中Exposure Bias现象的浅析与对策已经相对详细地介绍了 Teacher Forcing，这里仅做简要回顾。首先，Seq2Seq 模型将联合概率分解为多个条件概率的乘积，这就是所谓的“自回归模型”：
然后，当我们训练第 t 步的模型 时，我们假设 都是已知的，然后让模型只预测 ，这就是 Teacher Forcing。
但在预测阶段，真实的 都是未知的，此时它们是递归地预测出来的，可能会存在传递误差等情况。因此 Teacher Forcing 的问题就是训练和预测存在不一致性，这让我们很难从训练过程掌握预测的效果。
没什么远见
怎么更具体理解这个不一致性所带来的问题呢？我们可以将它理解“没什么远见”。在解码器中，输入 和前 t-1 个输出 token 共同编码得到向量 ，在 Teacher Forcing 中，这个 只是用来预测 ，跟 没有直接联系，换句话说，它的“见识”也就局限在 t 这一步了。
▲ Teacher Forcing示意图
比如上图中的 h_3 向量，Teacher Forcing 只让它用来预测“阴”，事实上“阴”的预测结果也会影响“晴”、“圆”、“缺”的预测，也就是说 也应该与“晴”、“圆”、“缺”有所关联，而 Teacher Forcing 没有显式地建立这种关联。所以模型在解码的时候每一步很可能只输出局部最高概率的 token，这就容易出现高频安全回复或者重复解码现象。
Student Forcing
为了提高模型的“前瞻能力”，最彻底的方法当然是训练阶段也按照解码的方式来进行，即 也像解码阶段一样递归地预测出来，不依赖于真实标签，我们不妨称这种方式为 Student Forcing。但是，Student Forcing 的训练方式来带来两个严重的问题：
第一，牺牲并行。对于 Teacher Forcing 来说，如果 Decoder 使用的是 CNN 或 Transformer 这样的结构，那么训练阶段是所有 token 都可以并行训练的（预测阶段还是串行），但如果 Student Forcing 的话则一直都是串行。
第二，极难收敛。Student Forcing 通常需要用 Gumbel Softmax 或强化学习来回传梯度，它们的训练都面临着严重的不稳定性，一般都要用 Teacher Forcing 预训练后才能用 Student Forcing，但即便如此也不算特别稳定。
形象地理解，Student Forcing 相当于老师完全让学生独立探究一个复杂的问题，不做手把手教学，只对学生的结果好坏做个最终评价。这样一旦学生能探索成功，那可能说明学生的能力很强了，但问题就是缺乏老师的“循循善诱”，学生“碰壁”的几率更加大。
往前多看几步
有没有介乎 Teacher Forcing 与 Student Forcing 之间的方法呢？有，本文所介绍的 TeaForN 就算是其中一种，它的思想是常规的 Teacher Forcing 相当于在训练的时候只往前看 1 步，而 Student Forcing 相当于在训练的时候往前看了 L 步（L 是目标句子长度）。
如果我们只是往前多看几步（相当于看到了 N-gram），那么理论上就能提高“远见”，并且不至于严重牺牲模型的并行性。其示意图如下：
▲ TeaForN示意图
直观来看，就是把输出结果再往前迭代多遍，这样一来前 t-1 个 token 要预测的就不仅仅是第 t 个 token 了，还有第 个。比如在上图中，最后我们用 来预测了“缺”字，而我们可以看到 只依赖于“月”、“有”、“阴”三个字，所以我们也可以理解为 这个向量同时要预测“晴”、“圆”、“缺”三个字，因此也就提高了“远见”。
用数学的话来说
用数学语言来描述，我们可以将 Decoder 分为 Embedding 层 E 和剩余部分 M 两个部分，Embedding 层负责将输入句子 映射为向量序列 （其中 是固定的解码起始标记，也就是上图的 [S]，有些文章记为），然后交给模型 M 处理，得到向量序列 ，即：
接着通过 得到第 t 步的 token 概率分布，最后用 作为损失函数训练，这便是常规的 Teacher Forcing。
可以想象，负责映射到 token 分布的输出向量序列 某种程度上跟 Embedding 序列 是相似的，如果我们补充一个 进去，然后将 也送入到模型 M 中再处理一次，是否可以呢？也就是：
然后每一个h我们都算概率分布
训练完成后，我们只用 E 和 M 做常规的解码操作（比如 Beam Search），也就是只用 而不需要 了。这个流程就是本文的主角 TeaForN 了。
效果、思考与讨论
至于实验效果，自然是有提升的，从原论文的实验表格来看，在 beam_size 比较大时提升比较明显。其实也不难理解，按道理来说，这样处理后再不济应该也不会下降，因此算是一种“稳赚不赔”的策略了。
▲ TeaForN的实验结果之一（文本摘要）
原论文讨论了几个值得商榷的点，我们这里也来看下。
首先，模型每一步迭代所用的 M 该不该共享权重？直觉来想共享是更好的，如果不共享权重，那么往前看 N 步，那么参数量就差不多是原来的 N 倍了，感觉是不大好。当然最好还是靠实验实验，原论文确实做了这个比较，证实了我们的直觉。
▲ TeaForN在机器翻译上的效果，其中包含了是否贡献权重的比较
其次，可能最主要的疑问是：在迭代过程中将 当作 用是否真的靠谱？当然，实验结果已经表明了是可行的，这就是最有说服力的论据了。但由于 到 是通过内积来构建的，所以 跟 未必相似，如果能让它们更接近些，效果会不会更好？原论文考虑了如下的方式：
也就是说，每一步算出 后，取概率最大的 k 个 token，将它们的 Embedding 向量加权平均来作为下一步迭代的输入。原论文实验了 k=4 和 k=|V|（词表大小），结果如下图。总的来说 Topk 的效果不大稳定，好的情况也跟直接用 差不多，因此就没必要尝试别的了。
▲ 用Topk对Embedding加权平均的方式代替h的效果
当然，我觉得要是论文再比较一下通过 Gumbel Softmax 来模拟采样效果就更加完美了。
来自文末的总结
本文分享了 Google 新提出来一种称为 TeaForN 的训练方式，它介乎 Teacher Forcing 和 Student Forcing 之间，能缓解模型的 Exposure Bias 问题，并且不用严重牺牲模型训练的并行性，是一种值得尝试的策略。
除此之外，它实际上还提供了一种解决此类问题的新思想（通过迭代保持并行和前瞻），其中颇有值得回味的地方。
更多阅读
#投 稿 通 道#
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。
???? 来稿标准：
• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志
???? 投稿邮箱：
• 投稿邮箱：hr@paperweekly.site
• 所有文章配图，请单独在附件中发送
• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通
????
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
来源：oschina
链接：https://my.oschina.net/u/4384923/blog/4708020