1 為什么要自監督學習 self-supervised learning
自監督學習是無監督學習的一種特殊方式，我們在無監督學習中講過了，標注label是十分寶貴的，一般需要人工打標，時間和人力成本都十分高昂，但現實中，獲取無標注data確實相對比較easy的事情，我們可以在網路上爬取很多很多的文本、圖片、語音、商品資訊等，如何利用這些無標注data，一直以來都是無監督學習的一個重要方向，而自監督學習則給出了一種解決方案，
自監督學習通過data的一部分，來predict其他部分，由自身來提供監督信號，從而實作自監督學習，利用自監督學習，可以學到一定的文本或圖片的表征，從而有利于下游任務的展開，這就是pretrain-finetune
2 自監督學習實作方案
自監督學習實作方案主要有
- 利用部分data來重建整個data，這其實就是Denoising Auto-Encoder的一種，NLP方面BERT系列的Mask language model，和CV領域的影像還原In-painting，都是采用了這種方案
- CV領域的一些任務，比如將圖片分割為9塊，打亂后，進行拼圖，將圖片旋轉一定角度，然后predict旋轉的角度，
- 對比學習，比如word2vec，Contrastive Predictive Coding，SimCLR
3 NLP領域的自監督學習
各種NLP預訓練模型，就是利用自監督學習實作的，比如Elmo、GPT、BERT、XLNet、Electra、T5等，它們可以看做是一種去噪自編碼器denoising Auto-Encoder，
3.1 Auto-Encoder和Auto-regressive LM
它們又分為兩種
- 自編碼器Auto-Encoder，比如BERT所采用的Mask language model，它將sequence中的部分token，進行mask，然后讓模型對mask位置進行predict，它的優點是可以充分利用兩個方向的陳述句資訊，在分類、QA、NER等任務上表現很好，缺點是sequence中只有mask位置參與了predict，訓練效率較低，另外訓練時有mask，而下游任務fine-tune時沒有mask，導致兩階段不一致，
- 自回歸語言模型 Auto-regressive LM，嚴格來說MLM掩碼語言模型不能認為是一種語言模型，GPT等自回歸方式的模型才是真正的語言模型，它利用上文來預測下文的token，它在生成任務上表現較好，優點是pretrain和fine-tune兩階段一致，且sequence中每個位置均參與了predict，訓練效率很高，缺點是只能看到上文，無法看到下文，也就是單方向，大大影響了對陳述句的語意理解，
Auto-Encoder示例如下，它可以獲取兩個方向的背景關系，有助于語意理解
Auto-regressive LM示例如下，不論是從前到后，還是從后到前，均只能單向
3.2 XLNet和PLM
XLNet則結合了二者的優點，它提出了排序語言模型PLM（Permutation LM），它分為兩步
- 排序，將sequence中的token位置打亂，實操中沒有直接對token打亂，而是利用了attention mask
- 自回歸語言模型predict，由于token的位置打亂了，所以訓練語言模型時，可以獲取到下文的資訊了，有助于對整個sequence的理解，
4 CV領域的自監督學習
CV任務上，也很容易實作自監督學習
4.1 predict missing pieces
將圖片中部磁區域挖空，然后讓模型進行預測，使輸出能盡量還原輸入圖片，
4.2 Jigsaw Puzzles 拼圖游戲
將圖片分割為多個區域并打亂，然后讓模型將它還原為原始圖片，和拼圖游戲很像，
4.3 Rotation 旋轉
將圖片旋轉一定角度，讓模型預測旋轉了多少度，或者將圖片旋轉0、90、180、270度四種類別，讓模型預測旋轉的類別，
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/39392.html
標籤：其他
上一篇：運營商大資料在不同行業的獲客應用