MT-DNN

MT-DNN
(Multi-Task Deep Neural
Networks for Natural Language
Understanding )
2019. 00. 00
Copyright© 2018 Tmax. All Rights Reserved.

I. Language Representation
II. GLUE Tasks
III. Model Architecture
IV. Evaluation
I. Language Representation
II. GLUE Tasks
III. Model Architecture
IV. Evaluation

2/21
핵심 요약
• MT-DNN은 BERT에 Multi-task learning(GLUE의 9개의 Task 활용)을 수행하여
성능 개선한 모델
- 다양한 Task의 Supervised Dataset을 모두 사용하여 대용량 데이터로 학습
- Multi-task Learning을 통해 특정 Task에 Overfitting되지 않도록 Regularization
• 다음의 Task들에 대해 State-of-the Art 성능 (BERT 보다 높은 성능)
- 8개의 GLUE Task
- SNLI와 SciTail Task로 Domain Adaptation
- Fine Tuning 데이터가 적을 때에도 Classification 정확도가 꽤 높음

3/21
Language Representation
• Natural Language Understanding에서 Word 혹은 Sentence의 Vector Representation을
생성하는 방식 2가지
• Language Model Pre-Training
• Unlabeled dataset을 활용한 학습 방법
• (대표적인 방법)문장에서 특정 단어를 맞추는 방식으로 Unsupervised Learning
• ELMO, BERT….
• Multi-task learning
• 여러 Task의 Labeled Dataset을 활용하여 1개의 모델 Supervised Learning
• 어떤 Task에서의 학습 효과가 다른 Task의 성능에 영향을 미칠 것이라는 가정
• Ex) 스키를 잘 타는 사람이 스케이트를 잘 탈 수 있음

4/21
Langue Model Pre-Training – BERT
• Book Corpus와 Wikipedia Data를 활용하여 다음 2가지 방식으로 학습
• Masked Word Prediction
• 문장이 주어졌을 때 특정 Word를 Masking하고 다른 주변 Word들을 활용하여 해당 Word를
예측하는 방식으로 학습
• ex) my dog is [Mask] -> my dog is hairy
• Next Sentence Prediction
• 문장이 2개 주어졌을 때, 2개의 문장이 연결된 문장인지 아닌지를 Classification 하는 방식으로
학습
- ex) Input = the man went to the store [SEP] he bought a gallon of milk → IsNext

5/21
Multi Task Learning
• Supervised Task를 1개의 모델을 통해 학습
• GLUE의 9개 Task 활용
• Multi-Task Learning의 이점은?
• 대용량 Supervised Dataset을 활용하여 학습 가능
- Supervised Dataset은 Task에 따라 데이터가 적을 경우 성능이 상당히 저하되지만, Multi-task Learning 시 이러한
데이터를 모두 합쳐서 활용 가능
• 모델이 특정 Task에 Overfitting 되지 않도록 Regularization 효과를 줄 수 있음
• 어떤 식으로 Multi-Task Learning이 가능한건지??
-> 뒤에서 설명

6/21
GLUE Tasks
• Single Sentence Classification
• 하나의 문장이 Input으로 주어졌을 때 class를 분류하는 Task
• CoLA - 문장이 문법적으로 맞는지 분류 (True/False)
• 1 (Acceptable) The book was written by John.
• 0 (Unacceptable) Books were sent to each other by the students.
• SST-2 - 영화 Review 문장의 감정 분류 (Positive/Negative)
• Text Similarity
• 문장 쌍이 주어졌을 때, 점수를 예측하는 Regression Task
• STS-B - 문장 간의 의미적 유사도를 점수로 예측
• Pairwise Text Classification
• Relevance Ranking

7/21
GLUE Tasks
• Text Similarity
• 문장 쌍이 주어졌을 때, 문장의 관계를 분류하는 Task
• RTE, MNLI - 문장 간의 의미적 관계를 3가지로 분류 (Entailment, Contradiction Neutral)
• QQP, MRPC - 문장 간 의미가 같음 여부를 분류 (True/False)

8/21
GLUE Tasks
• Text Similarity
• 질문 문장과 지문이 주어졌을 때, 지문 중 정답이 있는 문장을 Ranking을 통해 찾는 Task
• QNLI - 질문, 지문 중 한 문장이 쌍으로 주어졌을 때 해당 지문 문장에 질문의 답이 있는지 여부를
분류 (True/False)
- MT-DNN에서는 이를 Rank 방식으로 바꾸어 모든 지문 문장에 정답이 있을 가능성을 Scoring 하여 가장 높은 지문
문장만을 True로 분류하는 방식으로 수행

10/21
Model – Lexicon Encoder
• Input을 생성하는 Layer로 다음 3개의 Embedding으로 구성
• Token Embedding - Wordpiece Embedding Vector
- 1번째 Token은 [CLS] Token으로 추후 Output에서 Classification 등을 위해 사용됨
- 각 문장은 Wordpiece로 Tokenization 된 Vector로 구성되며 [SEP] Token이 두 문장 사이의
구분자로 사용됨
• Sentence Embedding - 1번째 혹은 2번째 문장을 표시해주는 Vector
• Positional Embedding - 각 Token의 위치 정보를 표현하는 Vector

11/21
Model – Transformer Encoder
• Lexicon Encoder로 부터 각 Token의 Input Vector를 입력으로 받아 Transformer를 통해
각 Token의 Output Vector를 추출
• Transformer이기 때문에 생성된 Vector는 Self Attention을 통해 주변 Token 정보를
반영한 Contextual Embedding Vector

12/21
Model – Single Sentence Classification
• CoLA - 문장이 문법적으로 맞는지 Classification
• SST-2 – Movie Review 문장의 Sentiment Classification (Positive / Negative)
class Input
Sentence
Task specific
Parameter
Class
Token

13/21
Model – Text Similarity Output
• Text Similarity
• STS-B – 문장 Pair의 Similarity를 1~5점으로 Regression
Input
Sentence
Pair
Sigmoid Task specific
Parameter
Class
Token

14/21
Model – Pairwise Text Classification Output (1)
• MNLI – 문장 Pair의 entailment, contradiction, neutral을 Classification
• RTE – 문장 Pair의 Entailment 여부를 Binary Classification
• QQP, MRPC – 문장 Pair의 의미 같음 여부를 Binary Classification
• Stochastic Answer Network(SAN)를 활용하여 Classification
• 핵심 Idea - Multi-step Reasoning
• RNN을 활용하여 2번 이상의 예측을 통해 문장 간 관계를 분류
• 다음 2가지 문장이 있을 때 한번에 문장 간 관계를 분류하기는 쉽지 않음
• If you need this book, it is probably too late unless you are about to take an SAT or GRE
• It’s never too late, unless you’re about to take a test.
• 두 문장이 Cotradiction이라고 분류하기 위해서는 SAT, GRE가 Test라고 예측 단계가 먼저 필요함

15/21
• RNN을 통해 Hypothesis 문장과 Premise 문장 간 관계를 예측
• Hidden State – Hypothesis Token Vector들의 Weighted Sum
• Input – Premise Token Vector들의 Weighted Sum
• 이전 Hidden State를 활용하여 Weight 계산
GRU!"#$ !"
%"
Hypothesis 문장
Token의 Vector Premise 문장
Token의 Vector

16/21
• Time step 마다 hidden state와 input을 각각 문장의 Vector로 활용하여 문장 간 관계 분류
• 문장 간 관계를 예측 하기 위해 다음 수식과 같이 Heuristic하게 Vector를 구성하여 예측
• 문장 간 거리, Similarity(dot-product)를 문장 간 관계를 나타내는 값으로 활용
• K step 예측을 했다면 평균 값을 최종 예측 값으로 사용
각 문장의
Vector
문장 간
거리
문장 간
Similarity

17/21
Model – Relevance Ranking Output
• QNLI – 질문과 지문 pair에서 지문에 질문에 대한 답이 있는지 여부를 Binary Classification
• Sigmoid function을 통해 모든 answer candidate 문장을 scoring을 하고 Ranking을 통해
1개의 문장만을 True로 분류
Input
Sentence
Pair
Sigmoid Task
specific
Parameter
Class
Token

18/21
Training Procedure
• 9개의 GLUE Dataset을 모아서 Training dataset을
구성
• Batch 단위로 Training 시 마다 Shared Layer와 해당
Task의 Layer를 학습
Answer가
포함된 문장

19/21
Evaluation – Testing set 평가 결과
• BERT (80.4) -> MT-DNN (82.2) 1.8% 성능 향상
• BERT large로 학습한 다음에 GLUE Task 9개로 Fine Tuning
Relevance
Ranking
Pairwise Text
Classification
Single
Sentence
Classification
Text
Similarity
Regression
NLI ProblemSemantically
Equivalent Problem
데이터가 적을 때 더
높은 성능 향상

20/21
Evaluation – Development set 평가 결과
• ST-DNN – Multi Task Learning을 하지 않고 Task Specific Layer만 바꾸어서(SAN,
Pairwise Ranking loss) 학습한 모델
• SAN을 사용하여 얻은 성능 향상 효과가 크지는 않은듯… (Class Token을 쓰지 않고 Token
Embedding을 썼다는 정도 의미…)
• QNLI는 Ranking Approach로 큰 성능 향상
Stochastic Answer
Network Relevance
Ranking Loss
Accuracy / F1

21/21
Evaluation – Domain Adaptation
• BERT, MT-DNN에 각각 새로운 Task Specific Layer를 붙여서 학습 및 평가 결과
• NLI Dataset인 SNLI, SciTail을 활용하여 Domain Adaptation 평가
• 0.1%, 1%, 10%, 100%로 평가
• 데이터가 적을 때 MT-DNN의 성능이 BERT 보다 훨씬 높은 성능을 보임

MT-DNN

More Related Content

Similar to MT-DNN (20)

MT-DNN