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)