1 简介

ELECTRA：Efficiently Learning an Encoder that Classifies Token Replacements Accurately.

本文根据2020年《ELECTRA: PRE-TRAINING TEXT ENCODERS AS DISCRIMINATORS RATHER THAN GENERATORS》翻译总结。根据标题可以知道ELECTRA更关注识别，而不是生成；像BERT这种其实是生成，从mask的输入预测原始输入。

BERT中的MLM预训练方法，需要大量的计算。为此，我们提出一种更加有效的预训练方法，即replaced token detection。不是采用BERT中那种mask输入的方法，而是用一个生成网络中采样的近似token来替换。接着，不是像BERT从破坏掉（mask掉）的输入中恢复原输入，而是训练一个识别器来预测每个token是否被生成网络替换过。通过实验发现，我们这种方法比MLM方法更加有效率，因为我们的任务是定义在所有的token上，而不是仅仅mask掉的那部分token。ELECTRA比BERT训练快很多。

BERT 中存在预训练和下游任务不匹配的现象，即mask在预训练中存在，而在fine-tuned中不存在。而我们是采用MLM训练一个生成器（generator），也是从损害的输入中预测原始输入。然后再识别器识别（discriminative）。

虽然我们的方法让人想起GAN，但是我们的方法不是对抗训练（对抗训练：生成器是产生损害的输入）。

我们没有将识别器的损失反向传播给生成器，事实上，我们也做不到，因为采样的缘故。
在预训练后，我们会丢弃生成器，只是微调识别器到下游任务。

2 具体方法

如上图，我们的方法训练两个神经网络，一个是生成器（generator）G，一个是识别器（discriminator）D。生成器使用MLM模型，从mask的输入预测原始的输入。识别器然后训练哪些token是被生成器替换的。

2.1 损失函数

我们的生成器和对抗训练不一样，是因为（1）我们的生成器是尽可能生成正确的token，而不是来像对抗训练那样来愚弄识别器。（2）我们不是将生成器作为一个噪声输入。

最终损失函数如下：

我们没有将识别器的损失反向传播给生成器，事实上，我们也做不到，因为采样的缘故。
在预训练后，我们会丢弃生成器，只是微调识别器到下游任务。

3 实验

3.1模型扩展

1)权重共享：我们将识别器和生成器的embedding进行参数共享。
2)小的生成器：如果生成器和识别器采用相同的大小，那么ELECTRA对比MLM模型将是两倍的计算量。我们发现采用小的生成器可以减少这个影响，发现生成器是识别器的1/4到1/2大小最好。
3)训练算法：我们是一起联合训练生成器和识别器，不是分两步训练

3.2 小模型结果

ELECTRA好于BERT。FLOPS：全称是floating point operations per second.

3.3 大模型结果

ELECTRA在大模型上效果也很好，如果训练时间更长，效果更好，如ELECTRA-1.75M。

3.4 有效性分析

从上表可以看出来ELECTRA从all token中获益良多，以及避免出现预训练和fine-tune之间因有没有mask出现的不匹配而获得少量的收获（Replace MLM与BERT比较）。BERT在避免及避免预训练和fine-tune之间不匹配，已经采用了10%token采用随机token替换和另一部分token保持不变，但这不足以完全避免不匹配。