谷歌大腦的XLNet在20個NLP任務中勝過BERT

谷歌大腦和卡內基梅隆大學(Carnegie Mellon University)的一組研究人員本周介紹了XLNet，這是一種人工智能模型，能夠在20項NLP任務中勝過谷歌的前沿BERT，并在18項基準測試任務中獲得最先進的結果。BERT(來自Transform的雙向編碼器表示)是谷歌的語言表示模型，用于NLP模型的無監(jiān)督預訓練，于去年秋天首次引入。

XLNet在幾個任務中實現(xiàn)了最先進的性能，包括7個GLUE語言理解任務、3個閱讀理解任務(比如SQuAD)和7個文本分類任務(包括處理Yelp和IMDB數(shù)據(jù)集)。與BERT相比，使用XLNet進行文本分類的錯誤率顯著降低了16%。2018年秋，谷歌開放了BERT的源代碼。

XLNet利用了最佳的自回歸和自編碼方法，這些方法用于無監(jiān)督的預訓練，在arXiv周三發(fā)表的一篇論文中詳細介紹了各種技術。

“XLNet是一種廣義的自回歸前訓練方法，它通過最大化因子分解順序所有排列的期望可能性來實現(xiàn)雙向上下文學習，并且[……]克服了BERT的局限性，這得益于它的自回歸公式，”論文寫道。

這個模型的名字來源于Transformer-XL，這是一個自回歸模型，今年1月由同一組研究人員發(fā)布。XLNet采用Transformer-XL的片段遞歸機制前訓練方法和相關編碼方案。該模型還借鑒了NADE，后者是由來自谷歌DeepMind、Twitter和學術界的研究人員創(chuàng)建的，用于其排列語言建模方法。

XLNet是最近出現(xiàn)的性能優(yōu)于BERT的NLP模型。微軟人工智能研究人員在5月份引入了多任務深度神經(jīng)網(wǎng)絡(MT-DNN)。該模型以BERT為基礎，但在大量理解GLUE語言的基準性能任務上取得了較好的性能。