共计 1806 个字符，预计需要花费 5 分钟才能阅读完成。
文章起源 | 恒源云社区
原文地址 | 论文小记
原文作者 | Mathor
这几天忙里偷闲去社区看了看各位版主一开始发的文章。重点找了我最喜爱的版主 Mathor 的文章，认真一查，居然曾经发了 90 多篇，不愧是社区大佬本佬了！
想着看都看了，那就棘手搬运一下大佬的文章吧！
接下来跟着小编的脚步👣，一起看上来吧～
注释开始
EMNLP2021 Findings 上有一篇名为 TSDAE: Using Transformer-based Sequential Denoising Auto-Encoder for Unsupervised Sentence Embedding Learning 的论文，利用 Transformer 构造无监督训练句子编码，网络架构如下所示：
具体来说，输出的文本增加了一些确定的噪声，例如删除、替换、增加、Mask 一些词等办法。Encoder 须要将含有噪声的句子编码为一个固定大小的向量，而后利用 Decoder 将本来的不带噪声的句子还原。说是这么说，然而其中有十分多细节，首先是训练指标
其中，\(D \)是训练集；\(x = x_1x_2\cdots x_l \)是长度为 lll 的输出句子；\(\tilde{x} \)是 \(x \)增加噪声之后的句子；\(e_t \)是词 \(x_t \)的 word embedding；\(N \)为 Vocabulary size；\(h_t \)是 Decoder 第 \(t \)步输入的 hidden state
不同于原始的 Transformer，作者提出的办法，Decoder 只利用 Encoder 输入的固定大小的向量进行解码，具体来说，Encoder-Decoder 之间的 cross-attention 形式化地示意如下：
其中，\(H^{(k)}\in \mathbb{R}^{t\times d} \)是 Decoder 第 \(k \)层 \(t \)个解码步骤内的 hidden state；\(d \)是句向量的维度（Encoder 输入向量的维度）；\([s^T]\in \mathbb{R}^{1\times d} \)是 Encoder 输入的句子（行）向量。从下面的公式咱们能够看出，不管哪一层的 cross-attention，\(K \)和 \(V \)永远都是 \(s^T \)，作者这样设计的目标是为了人为给模型增加一个瓶颈，如果 Encoder 编码的句向量 \(s^T \)不够精确，Decoder 就很难解码胜利，换句话说，这样设计是为了使得 Encoder 编码的更加精确。训练完结后如果须要提取句向量只须要用 Encoder 即可
作者通过在 STS 数据集上调参，发现最好的组合办法如下：
- 采纳删除单词这种增加噪声的办法，并且比例设置为 60%
- 应用 [CLS] 地位的输入作为句向量
RESULTS
从 TSDAE 的后果来看，基本上是拳打 SimCSE，脚踢 BERT-flow
集体总结
如果我是 reviewer，我特地想问的一个问题是：“你们这种办法，与 BART 有什么区别？”
论文源码在 UKPLab/sentence-transformers/，其实 sentence-transformers 曾经把 TSDAE 封装成 pip 包，残缺的训练流程能够参考 Sentence-Transformer 的应用及 fine-tune 教程，在此基础上只须要批改 dataset 和 loss 就能够轻松的训练 TSDAE
# 创立可即时增加噪声的非凡去噪数据集
train_dataset = datasets.DenoisingAutoEncoderDataset(train_sentences)
# DataLoader 批量解决数据
train_dataloader = DataLoader(train_dataset, batch_size=8, shuffle=True)
# 应用去噪主动编码器损失
train_loss = losses.DenoisingAutoEncoderLoss(model, decoder_name_or_path=model_name, tie_encoder_decoder=True)
# 模型训练
model.fit(train_objectives=[(train_dataloader, train_loss)],
epochs=1,
weight_decay=0,
scheduler='constantlr',
optimizer_params={'lr': 3e-5},
show_progress_bar=True
)
