超越Transformer，清华、字节大幅刷新并行文本生成SoTA性能｜ICML 2022

---

  新智元报道  

编辑：好困

【新智元导读】清华&字节联合提出的DA-Transformer摆脱了传统并行模型依赖知识蒸馏的问题，在翻译任务中大幅超越了之前所有并行生成模型，最高提升 4.57 BLEU。同时也首次达到、甚至超越了自回归 Transformer 的性能，在最高提升 0.6 BLEU 的同时，能够降低7倍的解码延迟。｜还在纠结会不会错过元宇宙和web3浪潮？清华大学科学史系副教授胡翌霖，这次给你讲个透！

并行文本生成模型（非自回归模型）是一种新的文本生成范式。 与传统自回归模型中的逐词迭代生成不同，它通过单次并行预测显著减少了解码时的延迟。

近年来，并行生成模型发展迅猛。在WMT21机器翻译大赛中，GLAT模型 [1,2] 结合知识蒸馏、数据增广等技术，在德英翻译方向夺冠，并超越了一大批自回归模型。

图1：并行（非自回归）生成模型的发展。性能指标为 BLEU，在 WMT17 中英机器翻译任务上测试，所有结果均未使用知识蒸馏。

在最新出炉的 ICML 2022 的论文中，清华大学和字节跳动联合推出了新的并行生成模型DA-Transformer。 该方法相比之前的并行生成模型，其性能获得了飞跃式的增强：

• DA-Transformer不再依赖知识蒸馏，彻底摆脱自回归模型参与训练；

• 大幅超越之前所有的并行生成模型，最高涨点 4.57 BLEU；

• 首次在未使用知识蒸馏的情况下，接近并超越自回归 Transformer 性能，真正实现又快又好的文本生成。（最高+0.60 BLEU，7~14倍解码加速)

作者单位：

1. The CoAI group, Tsinghua University, China

2. Department of Computer Science and Technology, Tsinghua University, China.

3. ByteDance AI Lab

论文链接：https://arxiv.org/abs/2205.07459

代码链接：https://github.com/thu-coai/DA-transformer

背景：自回归和非自回归文本生成

目前文本生成中，最常用的模型是基于自回归的 Transformer 模型 (Autoregressive Transformer, AT)，其特点是生成下一个词时需要输入已生成的前缀，因此在解码过程中需要迭代，生成延迟较高。

举例来说，Base 大小的 AT 模型在机器翻译中，单个样本（50~100词）大概需要600ms进行解码[1]，在实时性要求较高的应用中比较影响用户的使用体验。

近几年来，被称作Non-Autoregressive Transformer (NAT) 的并行生成模型受到了广泛关注。

与自回归模型不同，并行生成模型往往采用非自回归的生成方式，即在同一时刻、并行地预测整句的每一个词。

并行生成方法能够大幅降低生成延迟，通常能获得10倍以上的加速。

但是，由于并行生成模型缺少生成前缀的输入，有时无法维持词语之间的正常搭配，因此生成质量往往较低，距自回归模型仍有较大差距。

并行生成中的一对多难题

之前的工作指出，并行生成的最大挑战集中在 「一对多难题」 (multi-modality problem) [3]：即对于同一个输入，往往有多种合理的输出。

例如在图2中，两种不同但合理的翻译会干扰 NAT 模型的训练，最终导致其混淆多个参考文本，生成不可读的文本。

图2：并行生成中的一对多难题 (multi-modality problem)。多个不同的参考文本 (reference)在一些位置提供了不同的词作为训练标签，最终产生了不可读的预测输出。

以往的模型通常采用知识蒸馏方法，使用自回归模型的输出训练 NAT 模型。但知识蒸馏不仅使得训练过程更加复杂，同时也限制了 NAT 模型的性能，难以超越作为教师的自回归模型。

为了摆脱对知识蒸馏的依赖，该工作另辟蹊径，将这个问题分解成为了两个因素：

• 在训练时，多个不同的参考文本会在某些位置提供不一致的词作为训练标签。由于 NAT 会独立学习预测每一个位置上的词，不一致的标签会损害模型的准确率，增加训练难度。

• 在解码时，NAT 缺少合适的解码手段去恢复正确的词间依赖。即使模型在训练时能够正确学得每个位置上的标签分布，NAT也无法得知每个位置上的预测词分别来自哪一个参考文本。

DA-Transformer：在有向无环图上的并行生成模型

有向无环图（Directed Acyclic Graph, DAG) 是图论中的概念，它代表由结点和有向边组成的一张图，且满足从任意结点出发无法回到该节点本身这一条件。

DA-Transformer 巧妙地在并行生成中引入有向无环图，用来无冲突地捕捉多个参考文本，同时建模词与词之间的转移关系。

图3：该工作提出的解决方法。在训练中将来自不同参考文本的词分配到不同的位置，以避免标签冲突；在解码时预测位置之间的转移，用于恢复输出中正常的词语搭配。

该模型的基本想法如图3所示，模型通过有向边连接不同的位置形成有向无环图，图中任意从起点到终点的一条路径，都是一种合理的输出。

这种设计刚好克服了一对多难题中的两个问题：

• 在训练时，模型将参考文本分配到不同的路径上，避免在同一位置提供冲突的标签，提高了模型预测的准确率。

• 在解码时，模型可以通过有向边的转移，采样或搜索出合理的输出，保证了输出中词语搭配的正确性。

图4：DA-Transformer的结构。图中的每条路径对应一种输出，例如图中的路径A（经过节点1,3,4,5,6,9）对应输出Y（「I went to the cinema」）。

训练方法简单通用：无需多个参考文本

DA-Transformer 使用有向无环图可以同时捕捉多种合理的输出，但通常的数据集中对一个样本只会提供单个输出作为参考文本。 该工作提出了一种不需要多个参考文本的训练方法。

简单来说，该训练方法有如下特点：

• 对于单个样本，训练时会将提供的参考文本稀疏地分配到图上结点，每次只更新图的一部分；

• 对于整个数据集，有向无环图上的不同输出可以通过综合多个训练样本学习得到。

解码方法多样：在有向无环图上搜索路径

由于预测的有向无环图中包含多种不同的可能输出，因此可以采取灵活的解码方式，从图中搜索高质量的输出。该工作提出了三种不同的解码方式：包括贪心解码（Greedy）、前瞻解码（Lookahead）和集束搜索（BeamSearch）。

值得注意的是，整个有向无环图只需单词并行预测，因此仍然能大幅提高解码速度。即使使用集束搜索方法，有向无环图上的搜索并不需要再次进行神经网络的计算，因此相对自回归模型仍有显著的速度提升。

实验结果：又快又好的并行生成

图5：机器翻译上的生成性能。Average Gap 代表与最好的自回归模型结果的差距。Speedup 由 WMT14 En-De 测试集上每个样本的平均生成延迟得到（GPU为Nvidia V100-32G）。Raw为原始数据集，KD代表知识蒸馏后的数据集。Iter=1为单次预测的并行生成模型。

DA-Transformer在机器翻译数据集（WMT14 En-De, WMT17 Zh-En) 四个方向上进行了测试。结果显示：

• 与自回归模型相比，DA-Transformer无需知识蒸馏，在四个翻译方向上均获得了接近自回归模型的性能，同时提供了7~14倍的解码加速。特别地，在WMT17中英翻译数据集上，首次展示了并行生成模型能超越自回归模型性能，提升近0.6 BLEU；

• 与单次预测的并行生成模型相比，DA-Transformer大幅刷新了之前的SoTA，不仅提升了生成质量（Raw Data上平均提升近3 BLEU，最高的翻译方向上提升4.57 BLEU），同时维持了较高的加速比；

• 与多次预测的并行生成模型相比，DA-Transformer 从加速比和生成质量上都大幅超越已有模型。

生成例子：有向无环图上的多样输出

图6：DA-Transformer 的生成例子和集束搜索 (BeamSearch) 结果。其中黑色数字代表结点上词的预测概率，紫色数字代表转移概率。

图6展示了 DA-Transformer 预测的有向无环图。

可以看到，从初始结点到终止结点的多条路径均可以生成合理的输出结果，同时也证明了有向无环图捕捉多条可能输出的能力。

通过图上的集束搜索，DA-Transformer 可以进一步获得高质量且多样的输出。

总结

除了 以上的结果外，文章还提供了更多的分析实验：

• DA-Transformer 显著提升了词表上预测的准确率；

• 通过在图上采样，DA-Transformer 能够生成多样且高质量的结果，与自回归生成模型相当；

• 通过调整图的大小和解码方式，DA-Transformer 能够提供多种不同的生成质量和解码速度的权衡。

总结来说，该工作提出了 DA-Transformer，通过在并行文本生成中引入有向无环图，缓解了并行模型「一对多难题」。该模型让并行生成模型摆脱了知识蒸馏，仅用单次的并行预测，模型能够获得和自回归模型类似或更好的效果，大幅刷新了 SoTA 性能。

近年来，并行生成模型作为文本生成的新范式发展迅猛，本文介绍的工作已经迈出了超越传统自回归的一步。 此后，自回归模型还能在文本生成中的统治地位坚持多久？ 我们拭目以待！

参考资料：

[1] Qian, L., Zhou, H., Bao, Y., Wang, M., Qiu, L., Zhang, W., Yu, Y., and Li, L. Glancing transformer for non-autoregressive neural machine translation. ACL 2021.

[2] Qian, L., Zhou, Y., Zheng, Z., Zhu, Y., Lin, Z., Feng, J., Cheng, S., Li, L., Wang, M., and Zhou, H. The volctrans GLAT system: Non-autoregressive translation meets WMT21.

[3] Gu, J., Bradbury, J., Xiong, C., Li, V. O. K., and Socher, R. Non-autoregressive neural machine translation. ICLR 2018.