文章来源 | 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。重点找了我最喜欢的版主Mathor的文章，仔细一查，竟然已经发了90多篇，不愧是社区大佬本佬了！
想着看都看了，那就顺手搬运一下大佬的文章吧！
接下来跟着小编的脚步👣，一起看下去吧～
正文开始
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结构无监督训练句子编码，网络架构如下所示：
具体来说，输入的文本添加了一些确定的噪声，例如删除、交换、添加、Mask一些词等方法。Encoder需要将含有噪声的句子编码为一个固定大小的向量，然后利用Decoder将原本的不带噪声的句子还原。说是这么说，但是其中有非常多细节，首先是训练目标
其中，\( D \)是训练集；\( x = x_1x_2\cdots x_l \)是长度为lll的输入句子；\( \tilde{x} \)是$x \)添加噪声之后的句子；\( e_t \)是词\( x_t \)的word embedding；\( N \)为Vocabulary size；\( h_t \)是Decoder第\( t \)步输出的hidden state
不同于原始的Transformer，作者提出的方法，Decoder只利用Encoder输出的固定大小的向量进行解码，具体来说，Encoder-Decoder之间的cross-attention形式化地表示如下：
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输出向量的维度）；\( [s^T]\in \mathbb{R}^{1\times d} \)是Encoder输出的句子（行）向量。从上面的公式我们可以看出，不论哪一层的cross-attention，\( K \)和\( V \)永远都是\( s^T \)，作者这样设计的目的是为了人为给模型添加一个瓶颈，如果Encoder编码的句向量\( s^T \)不够准确，Decoder就很难解码成功，换句话说，这样设计是为了使得Encoder编码的更加准确。训练结束后如果需要提取句向量只需要用Encoder即可
作者通过在STS数据集上调参，发现最好的组合方法如下：
- 采用删除单词这种添加噪声的方法，并且比例设置为60%
- 使用[CLS]位置的输出作为句向量
RESULTS
从TSDAE的结果来看，基本上是拳打SimCSE，脚踢BERT-flow
个人总结
如果我是reviewer，我特别想问的一个问题是：“你们这种方法，与BART有什么区别？”
论文源码在UKPLab/sentence-transformers/，其实sentence-transformers已经把TSDAE封装成pip包，完整的训练流程可以参考Sentence-Transformer的使用及fine-tune教程，在此基础上只需要修改dataset和loss就可以轻松的训练TSDAE
# 创建可即时添加噪声的特殊去噪数据集
train_dataset = datasets.DenoisingAutoEncoderDataset(train_sentences)
# DataLoader 批量处理数据
train_dataloader = DataLoader(train_dataset, batch_size=8, shuffle=True)
# 使用去噪自动编码器损失
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
)
