01研究背景及動機

近些年，Transformer［1］逐漸成為了自然語言處理中的主流結構。為了進一步提升Transformer的性能，一些工作通過引入額外的結構或知識來提升Transformer在特定任務上的表現。盡管如此，過參數化（over-parameterization）和過擬合（overfitting）一直是Transformer中的一個顯著問題。作為一種正則化技術，Dropout常被用來緩解模型的過擬合問題［2］。和引入額外結構或知識的工作相比，dropout的一個優勢是不需要額外的計算開銷和外部資源。因此，本文的出發點在于，能否通過融合不同的dropout技術來進一步提升Transformer的性能甚至達到state-of-the-art效果？

為此，我們提出UniDrop技術，從細粒度到粗粒度將三種不同層次的dropout整合到Transformer結構中，它們分別為feature dropout、structure dropout和data dropout 。Feature dropout （FD），即傳統的dropout技術［2］，通常應用在網絡的隱層神經元上。Structure dropout （SD）是一種較粗粒度的dropout，旨在隨機drop模型中的某些子結構或組件。Data dropout （DD）作為一種數據增強方法，通常用來隨機刪除輸入sequence的某些tokens。在UniDrop中，我們從理論上分析了這三層dropout技術在Transformer正則化過程中起到了不同的作用，并在8個機器翻譯任務上和8個文本分類任務上驗證了UniDrop的有效性。

02UniDrop

2.1Transformer結構

UniDrop旨在提升Transformer的性能。在UniDrop中，feature dropout和structure dropout的使用與網絡結構密切相關。因此，我們簡單回顧Transformer的網絡結構。

圖1：標準Transformer結構和Feature Dropout

如圖1（a）所示，Transformer由多個相同的block堆疊而成，每個block包含兩個sub-layer，分別為multi-head self-attention layer和position-wise fully connected feed-forward layer，每個sub-layer后都使用了殘差連接和層正則（Add&Norm）。

Multi-head Attention：Multi-head attention sub-layer包含多個并行的attention head，每個head通過帶縮放的點乘attention將query Q和鍵值對K、V映射乘輸出，如下式所示：

多個head的輸出最終被拼接在一起并做線性映射作為最終的multi-head attention輸出。

Position-wise Feed-Forward：這一層主要包含兩個線性映射和一個ReLU激活函數：

2.2Feature Dropout

如前所述，Feature Dropout （FD）即傳統的dropout技術［2］，可以以一定的概率隨機抑制網絡中的某些神經元。實際上，在標準的Transformer實現中，每個sub-layer后都默認配置了dropout。除此之外，Transformer也在multi-head attention和feed-forward network的激活函數層添加了dropout，本文將探索它們對Transformer性能的影響：

FD-1 （attention dropout）：根據公式（1），在multi-head attention中，我們可以獲得attention權重A=QKT，feature dropout FD-1被應用在attention權重A上。

FD-2 （activation dropout）：FD-2被應用在feed-forward network sub-layer兩層線性變換間的激活函數上。

除了上面已有的feature dropout，我們在預實驗中發現Transformer仍有過擬合的風險。因此，我們額外提出兩種feature dropout添加到Transformer結構中：

FD-3 （query， key， value dropout）：FD-1直接應用在attention權重A上，表示token i和token j之間的connection有可能被drop，一個更大的FD-1值意味著更大的概率失去sequence中一些關鍵的connection。為了緩解這種風險，我們在attention之前的query Q、key K和value V上分別添加了dropout。

FD-4 （output dropout）：我們在softmax分類的線性映射前也添加了dropout。具體而言，對sequence2sequence任務，我們將FD-4添加到Transformer decoder中，對于文本分類任務我們將FD-4添加到Transformer encoder中。

2.3Structure Dropout

為了提升Transformer的泛化性，之前的工作已經提出了兩種Structure Dropout （SD），分別是LayerDrop［3］和DropHead［4］。DropHead通過隨機舍棄一些attention head，從而防止multi-head attention機制被某些head主導，最終提升multi-head attention的泛化性。相比之下，LayerDrop是一種更高級別的結構dropout，它能隨機舍棄Transformer的某些層，從而直接降低Transformer中的模型大小。通過預實驗分析，我們將LayerDrop添加到我們的UniDrop中。

2.4Data Dropout

Data Dropout （DD）以一定的概率p隨機刪除輸入序列中tokens。然而，直接應用data dropout很難保留原始高質量的樣本，對于一個長度為n的sequence，我們保留住原始sequence的概率為（1-p）n，當n較大時，這個概率將會非常低。失去原始高質量樣本對很多任務都是不利的。為了保留原始高質量的樣本，同時又能利用data dropout進行數據增強，我們在UniDrop中提出了一個2-stage data dropout方案。對于給定的sequence，我們以一定的概率 pk保留原始的樣本，當data dropout被應用時（概率為1- pk），我們以預定的概率p來隨機刪除序列中的tokens。

2.5UniDrop整合

最終，我們將上面三種不同粒度的dropout技術集成到我們的UniDrop中，并從理論上分析了feature dropout、structure dropout、data dropout能夠正則Transformer的不同項并且不能相互取代，具體分析可參考論文。Figure 2是UniDrop的簡單示例。

圖2：UniDrop示例

03實驗與分析

我們在序列生成（機器翻譯）和文本分類兩個任務上來驗證UniDrop的性能。

3.1神經機器翻譯

我們在IWSLT14數據集上進行了機器翻譯實驗，共4個語言對，8個翻譯任務，baseline為標準的Transformer結構，實驗結果如表1所示：

表1：不同模型在IWSLT14翻譯任務上的結果

可以看到，相比于標準的Transformer，我們的UniDrop在所有任務翻譯任務上都取得了一致且顯著的提升。為了驗證UniDrop中每種dropout的作用，我們進行了ablation study實驗，也在標準Transformer添加單一的dropout去驗證它們的性能。從結果看，FD、SD和DD都能在一定程度上提升Transformer的性能，并能夠協同工作，最終進一步提升Transformer的泛化性。

為了進一步驗證UniDrop的優越性，我們也在廣泛被認可的benchmarkIWSLT14 De→En翻譯任務上和其他系統進行了對比。這些系統從不同的方面提升機器翻譯，如訓練算法設計（Adversarial MLE）、模型結構設計（DynamicConv）、引入外部知識（BERT-fused NMT）等。可以看到，我們的Transformer+UniDrop仍然顯著超過了其他系統。

表2：不同系統在IWSLT14 De→En翻譯任務上的表現

3.2文本分類

對于文本分類任務，我們以RoBERTaBASE作為backbone，在4個GLUE數據集上和4個傳統的文本分類數據集上進行了實驗，結果如表3和表4所示：

表3：不同模型在GLUE tasks （dev set）上的準確率

表4：不同模型在傳統文本分類任務上的準確率

可以看到，作為一個強大的預訓練模型，RoBERTaBASE顯著超過了其他方法。即使如此，UniDrop仍然能夠進一步提升RoBERTaBASE的性能，這進一步驗證了UniDrop對Transformer模型的有效性。

3.3分析

為了展現UniDrop能夠有效防止Transformer過擬合，我們畫出了不同模型在IWSLT14 De→En翻譯驗證集上的loss曲線，如圖3所示：

圖3：不同模型在IWSLT14 De→En翻譯上的dev loss

可以看到，標準的Transformer結構隨著訓練輪數的增加，很容易出現過擬合現象。相比之下，FD、SD、DD都在一定程度上緩解了Transformer的過擬合問題。在所有對比模型中，我們的UniDrop取得了最低的dev loss，并且dev loss能持續下降，直到訓練結束。綜合來看，UniDrop在預防Transformer過擬合問題上取得了最好的表現。

此外，我們也進行了細粒度的ablation study實驗來探究不同的feature dropout以及我們2-stage data dropout對Transformer性能的影響，結果如表5所示：

表5：Ablation Study

可以看到，FD-3比FD-1帶來更多的提升，這也驗證了我們之前的分析，僅使用FD-1對提升multi-head attention的泛化性來說是不夠的。另外，表5表明我們提出的2-stage data dropout策略對提升性能是有幫助的，這體現了保留原始高質量樣本的必要性。

04總結與展望

過擬合是Transformer結構中一個常見的問題，dropout技術常被用來防止模型過擬合。本文中，我們提出了一種集成的dropout技術UniDrop，它由細粒度到粗粒度，將三種不同類型的dropout（FD、SD、DD）融合到Transformer結構中。我們從理論上分析UniDrop中的三種dropout技術能夠從不同的方面防止Transformer過擬合，在機器翻譯和文本分類任務上的實驗結果也體現了UniDrop的有效性和優越性，更重要的，它不需要額外的計算開銷和外部資源。更多的細節、結果以及分析請參考原論文。
編輯：lyn