無需「域外」文本，微軟：NLP就應該針對性預訓練

 在生物醫學這樣的專業領域訓練NLP模型，除了特定數據集，「域外」文本也被認為是有用的。但最近，微軟的研究人員「大呼」：我不這么覺得！

什么是預訓練？這是一個拷問人工智能「門外漢」的靈魂問題。生而為人，我們不需要一切從零開始學習。但是，我們會「以舊學新」，用過去所學的舊知識，來理解新知識和處理各種新任務。在人工智能中，預訓練就是模仿人類這個過程。

預訓練（pre-training）這個詞經常在論文中見到，指的是用一個任務去訓練一個模型，幫助它形成可以在其他任務中使用的參數。

用已學習任務的模型參數初始化新任務的模型參數。通過這種方式，舊的知識可以幫助新模型從舊的經驗中成功地執行新任務，而不是從零開始。

以前的研究已經表明，在像生物醫學這樣的專業領域，當訓練一個NLP模型時，特定領域的數據集可以提高準確性。不過，還有一個普遍的認識是，「域外」文本也有用。但是！微軟研究人員對這一假設提出了質疑。

 近日，微軟研究人員提出一種人工智能技術，針對生物醫學NLP的領域特定語言模型預訓練。并自信地說，通過從公開的數據集中編譯一個「全面的」生物醫學NLP基準，在包括命名實體識別、基于證據的醫學信息提取、文檔分類等任務上取得了最先進的成果。

他們認為，「混合領域」預訓練？不就是遷移學習的另一種形式嗎？源領域是一般文本(如新聞)，目標領域是專門文本(如生物醫學論文)。

在此基礎上，針對特定領域的生物醫學NLP模型的預訓練總是優于通用語言模型的預訓練，說明「混合領域」預訓練并不完美。

神經語言模型預訓練的兩種范式。「混合領域」預訓練（上）；只使用域內文本預訓練（下）

如此自信，研究人員是有證據的。他們通過對生物醫學NLP應用的影響，比較了訓練前的建模和特定任務的微調。

第一步，他們創建了一個名為生物醫學語言理解和推理基準(BLURB)的基準，該基準側重于PubMed（一個生物醫學相關的數據庫）提供的出版物，涵蓋了諸如關系提取、句子相似度和問題回答等任務，以及諸如是/否問題回答等分類任務。為了計算總結性分數，BLURB中的語料庫按任務類型分組，并分別打分,之后計算所有的平均值。

為了評估，他們又在最新的PubMed文檔中生成了一個詞匯表并訓練了一個模型：1400萬篇摘要和32億個單詞，總計21GB。在一臺擁有16個V100顯卡的Nvidia DGX-2機器上，培訓了大約5天時間。這個模型具有62,500步長和批量大小，可與以前生物醫學預訓練實驗中使用的計算量相媲美。

又一個自信，研究人員說他們的模型——PubMedBERT，是建立在谷歌的BERT之上。

那個牛掰掰的BERT？Google 在 2018 年提出的一種 NLP 模型,成為最近幾年 NLP 領域最具有突破性的一項技術。

但有趣的是，將PubMed的全文添加到預訓練文本(168億字)中會讓性能略有下降，直到預訓練時間延長。但研究人員將這部分歸因于數據中的噪聲。

“在本文中，我們挑戰了神經語言預訓練模型中普遍存在的假設（就是前面說的「混合領域」預訓練），并證明了從「無」開始對特定領域進行預訓練可以顯著優于「混合領域」預訓練。「為生物醫學NLP的應用帶來了新的、最先進的結果，」研究人員寫道，「我們未來會進一步探索特定領域的預培訓策略，將BLURB基準擴展到臨床或其他高價值領域。」

為了鼓勵生物醫學NLP的研究，研究人員創建了一個以BLURB基準為特色的排行榜。他們還以開源的方式發布了預先訓練過的特定任務模型。

研究已發布于預印論文網站arxiv上。