PLUG AND PLAY LANGUAGE MODELS

本文主要是介绍PLUG AND PLAY LANGUAGE MODELS，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

标题：《PLUG AND PLAY LANGUAGE MODELS: A SIMPLE APPROACH TO CONTROLLED TEXT GENERATION》

时间：2020年3月

作者：Uber AI

内容：本文关注可控生成，或条件生成问题。提出了一个Plug and Play Language Model (PPLM) 模型，它结合了一个预训练LM和一个或若干个属性分类器（attribute classifiers）来引导文本生成，而不需要进一步训练LM。

源码：https://github.com/uber-research/PPLM

Introduction

文本生成器： $p (x)$

可控的文本生成器： $p (x ∣ a)$ 。a表示可控制的属性。

属性模型（判别器）： $p (a ∣ x)$ 。

简单来说就是把属性模型plug进文本生成器里，然后从结果 $p(x|a)=k\ p(a|x)a(x)$ 中sample。

属性模型可以是词袋形式，也可以是单层分类器。sample方法遵循Metropolis-adjusted Langevin (MALA)所启发的gradients in the latent representation space方法。

优化是ex post facto in the activation space地运行的，所以不需要重训练或微调。控制是细粒度的，伴随着一个强参数来决定属性的影响强度（0强度意味着恢复为原始的 $p (x)$ ）。属性模型训练较为容器，且在推断阶段，多种控制器可以共同灵活地结合。不同强度的属性模型表现为一群control knobs。

我们的贡献总结如下：

1、提出了PPML模型。

2、展示了模型在a range of attributes的控制下的文本生成，包括7种topic和1个简单的sentiments判决器。我们利用了自动化指标（分开训练perplexity and sentiment models）和人工指标。

3、比较了PPLM与一些功能相近的baseline（主要是微调版本的GPT2以及CTRL。）

【按：这里两个baseline，分别来自(Keskar et al., 2019)《A Conditional Transformer Language Model for Controllable Generation》和(Ziegler et al., 2019)《Fine-tuning language models from human preferences》】

4、我们还展示了PPML模型可以用于detoxify instances where generation of toxic content is likely by following the negative gradient of a model trained to detect toxicity. 我们还展示了 PPLM可以用于结构化约束（structurally constrained）的故事创作。

在这里插入图片描述

Related Work

受控生成；噪声信道模型、加权解码、文本风格迁移。

PLUG AND PLAY LANGUAGE MODELS

1 GPT2

语言模型的基本形态如下：
$o_{t+1},H_{t+1}=\text{LM}(x_t,H_t)\\ x_{t+1}=\text{Softmax}(Wo_{t+1})$
其中 $o$ 是logit vector，x表示word（对应的one-hot向量）

2 STEERING GENERATION: ASCENDING$ {log}\ p(a|x)$

为了控制语言模型的输出，在每一个生成step，我们把history $H_t$ 在两个梯度的相加的方向上作shift：

1、one toward higher log-likelihood (LL) of the attribute a under the conditional attribute model $p (a ∣ x)$

2、one toward higher LL of the unmodified language model $p (x)$

The updates are restricted to $H_t$ and not the other model activations.具体地：

在这里插入图片描述

如图，先前向计算无控制的分布，再利用属性模型反向更新隐变量H，然后重新计算新的分布。

在这里插入图片描述

3 ENSURING FLUENCY: ASCENDING $ {log}\ p(x)$

上一步的办法还有一个问题，就是可能输出unrealistic adversarial or fooling examples。为了对抗这种趋势，我们以两种方式利用无条件LM，确保生成文本的流畅度与原始语言模型无二。

1、KL散度（Kullback–Leibler (KL) Divergence）

2、后范数几何平均融合（Post-norm Geometric Mean Fusion）

在这里插入图片描述

如图，用黑点表示考虑的句子，红色表示 $p (a ∣ x)$ 的梯度下降方向，蓝色表示 $p (x)$ 的梯度下降方向。图里把优化分成了两步，在实践中我们是一步（把两个log分布相加）。我们在H的连续空间中优化，而非在x的离散空间优化。

SAMPLING AND RANKING

PPLM中的属性模型 $p (a ∣ x)$ 扮演两个功能：1、一个score可以基于期望的属性来rank samples（图1的第一步，仅前向传播）。2、一个梯度下降方向可以用于更新隐空壳（图1的第二三步）。前者可以用于对生成的多个样本做排序，然后选择最好的。这可以作为1种在sampling with updated latents之外的额外的属性控制方法。此外，传统上的各种text decoding tricks，如降重，我们也应用了。

EXPERIMENTS, RESULTS, AND EVALUATION

本节，我们描述性能评估方法、不同属性模型下的可控生成结果。We also show use cases of PPLM in language detoxification and in
controlled story telling。所有decoding结果都是基于top-k采样的。

1 评价结果、消融实验

我们考察2个性能：1、PPLM是否生成了满足desired attribute (topic or sentiment)的文本；2、当我们加强属性控制的时候，文本的质量是否下降。

注意，我们总能够turn the control knob down to zero to disable control of attributes and reach the fluency of the original model。如果愿意，user可以tune the knobs at inference until a
chosen tradeoff between attribute strength and fluency is reached。

自动化指标

Perplexity、diversity、external
sentiment classifiers

人工指标

略

Ablation study and baselines

模型	说明
B	the baseline, unchanged GPT-2 LM, sampled once
BR	B but sampled r times, with best sample chosen based on the LL ranking and filtering based on Dist score
BC	update the latent representations( $\hat H_t$ ) and then sample once
BCR	update the latent representations ( $\hat H_t$ ) and generate r samples. choose the best sample based on the LL score (after filtering out samples with low Dist scores).
CTRL	a recent language model