AutoML在NLP领域中的应用又多了新资源。
谷歌最新博客表示，此前在语言建模和翻译等序列任务中，Transformer架构已经展现出了极大的优势，但这些架构几乎均为手动设计，与视觉领域差异巨大。
能不能用更自动的方式应用这一高效的架构？
谷歌研究人员就此一试，找到一种新的Transformer架构，代号Evolved Transformer（简称ET）来测试自动机器学习方法AutoML在Transformer架构中应用如何。
和以往其他Transformer不同，ET能够根据特定任务进行定制，在机器翻译领域得到了最先进的结果，并且对语言建模任务也进行了改进。
这条推特发出后收获了不少关注，目前有800多个点赞，近300人转发了这项研究。
网友对此表示认可，表示和人类教机器相比，机器教机器才是正解嘛！
目前，Evolved Transformer已开源，也是Google基于TensorFlow新架构Tensor2Tensor的一部分了，任何人都可以免费使用。
“混合体”架构
想要在翻译任务上进行大规模NAS（神经网络架构搜索），必须先要评估每个架构的适应性任务。在这个预热阶段，有两种方法。
一种是通过暖启动（warm starting）的方式，研究人员在初始种群中用Transformer进行播种，不采用随机模型，这有利于在搜索空间中的搜索。
第二种方法被称为Progressive Dynamic Hurdles (PDH)，增强了进化搜索，将更多资源分配给更强健的候选者，若模型不好则PDH就会终止评估，重新分配资源。
利用这两种方法，研究人员在机器翻译上进行大规模NAS，找到了Evolved Transformer。
和大多数序列到序列的神经网络架构类似，Evolved Transformer的编码器能将输入序列作为嵌入，解码器能将嵌入输出序列。
Evolved Transformer还有一个有趣的特点，它的编码器和解码器模块底部的卷积层的添加模式很有意思，在两个地方都以类似的分支模式添加，即在合并到一起时，输入通过两个独立卷积层。
上图为Evolved Transformer（右）与最初Transformer编码器架构对比。
虽然最初的Transformer架构依赖于自注意，但Evolved Transformer为一个混合结构，利用了自注意和宽卷积。
SOTA结果
研究人员进行了不同类型的测试，证明Evolved Transformer是有效的。
先是用英语到德语的翻译任务，对Evolved Transformer和原始Transformer进行对比。
结果显示，在所有参数size下，Evolved Transformer的BLEU和perplexity performance的表现均超越原始Transformer。
此外，在WMT14 En-De英语-德语测试集上，Evolved Transformer实现了最佳性能，BLEU得分为29.8，SacreBLEU得分为29.2。
研究人员还在不同NLP任务上对比了这两种Transformer架构。
他们测试了用不同语言对的翻译任务，Evolved Transformer有所提升，其margin与英语-德语类似。因为新模型高效利用参数，因此对中型模型的提升较大。
在利用LM1B进行语言建模时，Evolved Transformer性能提升了将近两个perplexity。
传送门
Google官方博客：
https://ai.googleblog.com/2019/06/applying-automl-to-transformer.html
论文地址：
https://arxiv.org/abs/1901.11117
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ’ᴗ’ ի 追踪AI技术和产品新动态
“
