動態 | FAIR 最新論文：一種不需要訓練就能探索句子分類的隨機編碼器

• 2019 年 11 月 1 日
• 筆記

這篇論文被發布在 arxiv 上，主要講了一種不需要訓練就能探索句子分類的隨機編碼器。論文的主要介紹如下：

研究內容：

這是一個強大的，新穎的語句嵌入基準線，它不需要進行任何訓練。在沒有任何額外訓練的情況下，我們探索了用預訓練單詞嵌入來計算句子表達方式的各種方法。其目的是讓語句嵌入具有更堅實的基礎：1）看看現代句子嵌入從訓練中獲得了多少好處（令人驚訝的是，事實證明，這是微乎其微的）；2）為該領域提供更合適（也更強大）的基準線。

它是如何工作的：

句子嵌入是一種矢量表示方法，其中句子被映射到表示其意義的數字序列。這通常是通過組合函數轉換單詞嵌入來創建的。句子嵌入是自然語言處理（NLP）中的一個熱門話題，因為它比單獨使用單詞嵌入更容易進行文本分類。鑒於句子表達研究的快速進展，建立堅實的基準線是很重要的。

我們開始使用當前最先進的方法來確定有哪些收穫，而不是採用隨機的方法，這些隨機的方法只結合了預訓練的單詞嵌入。隨機特性的作用在機器學習社區中早已為人所知，因此我們將其應用到這個 NLP 任務中。我們探索了三種方法：隨機嵌入投影包、隨機 LSTM 和回聲狀態網路。我們的研究結果表明，句子嵌入中的提升很大程度上來自於詞語表徵。我們發現，對經過預訓練的單詞嵌入的隨機參數化構成了一個非常強的基準線，有些時候，這些基準線甚至與諸如 SkipThought 和 InferSent 等著名的句子編碼器的性能相匹配。這些發現為今後的句子表徵學習的研究提供了強有力的基礎。我們還對句子分類評估的一些合適的實驗方案進行了認真的探討，並對今後的研究提出了建議。

為什麼它如此重要：

儘管最近對句子編碼的研究較多，但是 NLP 的研究者們對於辭彙嵌入和句子嵌入之間的關係仍然知之甚少。隨著該領域研究的快速進展，對不同方法進行比較並不總是正確的。每隔一段時間我們需要往前回顧，以便對現有的最先進的方法產生更深入地理解，並分析這些方法為什麼有效，這一點很重要。通過對句子嵌入的研究提供新的見解，並設置更強的基準線，我們可以提高對神經網路表示和理解語言的原理的認識。他們在 Github 上分享了他們的程式碼 https://github.com/facebookresearch/randsent 。

論文原文見：

No Training Required: Exploring Random Encoders for Sentence Classification

https://arxiv.org/abs/1901.10444

via：https://code.fb.com/ml-applications/random-encoders/