QANet

Reading Comprehension(RC)

阅读理解对于机器来说，是一项非常艰巨的任务。google提出QANet，目前（2018 0505）一直是SQuAD的No. 1. 今天简单地与大家分享一下。

SQuAD

Stanford Question Answering Dataset (SQuAD) [1] 阅读理解理解数据集，包含100，000＋的数据样本，采用众包的方式，对500＋的 Wikipedia 文章进行处理，得到（Context, question, answer) 三元组样本。答案是Context 中的一小段文本。

In meteorology, precipitation is any product of the condensation of atmospheric water vapor that falls under gravity. The main forms of precipitation include drizzle, rain, sleet, snow, graupel and hail... Precipitation forms as smaller droplets coalesce via collision with other rain drops or ice crystals within a cloud. Short, intense periods of rain in scattered locations are called “showers”.

# What causes precipitation to fall?

gravity

# What is another main form of precipitation besides drizzle, rain, snow, sleet and hail?

graupel

# Where do water droplets collide with ice crystals to form precipitation?

within a cloud

SQuAD Leaderboard

QANet-LMLPHP

Contribution:

移除了循环（Recurrent）机制，使用巻积（convolution)与自注意（self-attention)机制处理相关任务，提升了模型的数据处理速度（trainging: 3x to 13x, inference: 4x to 9x)
提出了数据增强技术：NMT。

Model Structure:

Embedding layer
Embedding encoder layer
Context-attention layer
Model encoder layer
Output layer

QANet-LMLPHP

Embedding Layer：

将自然语言转化计算机可处理的向量，并尽量保留词语中所包含的语义信息。

采用词向量与字向量拼接的方式获得最终的词向量：

Word embedding: 预训练，采用 GloVe 词向量。
Character embedding: 可训练（trainable）。

处理过程：

对于字量操作：
- 将每个字符转化(truncated or padded) 成统一长的单词（16）；
- 池化（max pooling）（沿行），char_embedding = reduce_max(char_embedding, axis= row) ；
- 巻积操作。
字、词向量拼接：

\[x_e = [x_w；x_c]
\]

Highway Nets [2]处理：
\[outputs = H(x,W_H) \cdot T(x, W_T) + x \cdot C(x,W_C)
\]
其中， H() 是仿射变换(Affine Transformation), 一般可理解为处理 x 时所用的网络， T(), C() 则是构成高速路网络的非线性变换, 一般为简洁: \(C = 1 - T\):
\[outputs = H(x,W_H) \cdot T(x, W_T) + x \cdot (1 - T(x,W_T))
\]

Embedding Encoder layer:

提取Context 与 question中的主义信息。

采用巻积与自注意机制：构建了一个 encoder block:

[(pos-encoding)+conv x # + self-attention + feed-forward]

QANet-LMLPHP

Position encoding[3]:
捕捉位置信息
\[PE_{(pos,2i)} = \sin(pos / 10000^{2i/d_{model}})\\
PE_{(pos,2i+1)} = \cos(pos / 10000^{2i/d_{model}})
\]

其中， pos表示词的位置，i表示的\(i^{th}\) 的embedding维度。\(d_{model}\) 表示embedding的维度.
posting encoding 结果与输入相加，作为下一步的输入。
深度（可分离）巻积(Depth wise separable convolutions)[4]:
在经典巻积中，巻积核在所有输入通道上进行巻积操作，并综合所有输入通道情况得到巻积结果（如加和，池化等等），而在深度可分离巻积中，巻积操作分为两步，第一步，巻积核对每个输入通道进行单独地处理，不做综合处理；每二步，对第一步的结果，使用（WxH=1x1)的巻积核进行处理，并得到最终结果。这样可以提高泛化能力与巻积效率，避免参数冗余。
与经典巻积的对比：

QANet-LMLPHP

[经典巻积]

QANet-LMLPHP

[深度可分离巻积]

自注意力机制[3]:
一种序列表示(sequence representation), 提取全局信息。

QANet-LMLPHP

\[Attention(Q,K,V) = softmax(\frac{QK^T}{\sqrt{d_k}})V
\]

其中Q:query, K: key, V:value.

\[MultiHead(Q,K,V) = Concat(head1,...,headh)W^O\\
其中，\ head_i = Attention(QW_i^Q,KW_i^K,VW_i^V)
\]

在 encoder block中，将每个子层都包裹在列差模块中:
\[Output = f(layernorm(x)) + x
\]
其中 f 表示encoder block 中的子层，如 depth conv, self-attention, feed-forward等。layernorm() 表示 layer normalization[5].

Context-Query Attention Layer

发现context query 之间的联系，并在词的层面上，解析出query, context中关键的词语。

从词的层面上，挖掘context, query 之间的关系S (n x m) [6]：
\[S_{i,j} = f(q,c ) = W_0[q,c,q\odot c]
\]
其中，\(\odot\) 表示逐元素(element-wise)相乘, n 表示 context 的长度, m表示query的长度。
Context-to-query attention A:
\[A = softmax(S, axis=row) \cdot Q^T \quad \in R^{n\times d}
\]
其中，d 为embedding长度
query-to-context attention B:
\[B = A\cdot softmax(S,axis=column)^T \cdot C^T
\]

Model Encoder layer

从全局的层面来考虑context与query之间的关系。

采用 stacked blocks x 3(权值共享), stack blocks = encoder block x 7. 输入: \([c,a,c\odot a, c\odot b]\), 三个stacked blocks 分别输出\(M_0, M_1,M_2\).

Output layer

解析answer在context中的位置(start position, end position):

\[pos^{start} = softmax(W_{start} [M_0; M_1]),\quad pos^{end} = softmax(W_{end}[M_0; M_2])
\]

Loss function

\[L(\theta) = - \frac{1}{N}\sum_{i}^N\left[\log(p_{y_i^{start}}^{start}) + \log(p_{y_i^{end}}^{end})\right]
\]

其中\(y_{i}^{start},y_i^{end}\) 分别表示真实的answer 在context中的真实起始，终止位置。

Other experiment detail

Optimization & Regularization:

L2 weight decay (\(\lambda = 3 \times 10^{{-7}}\))
stochastic depth[8] (layer dropout)(在每个encoder中) (survival rate of layer l \(p_l = 1 - \frac{1}{L}(1-p_L)\), L 表示最后一层， \(p_L = 0.9\),)
layer normalization
dropout (绝大部分0.1，在character embedding为0.05)
ADAM[7] (\(\beta_1 = 0.8, beta_2 = 0.999, \epsilon = 10^{-7}\))
depth-wise separable convolutions
self-attention, multi-head, position encoding(compared with rnn)
position encoding
exponentially moving average(EMA: 0.9999)

PS: 代码过几天附上。

Reference

Pranav Rajpurkar, Jian Zhang,Konstantin Lopyrev, and Percy Liang. Squad: 100, 000+ questions for machine comprehension of text. In Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing, EMNLP 2016, Austin, Texas, USA, November 1-4, 2016, pp. 2383–2392, 2016
Rupesh Kumar Srivastava, Klaus Greff, and J¨ urgen Schmidhuber. Highway networks. CoRR, abs/1505.00387, 2015. URL http://arxiv.org/abs/1505.00387
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser, and Illia Polosukhin, Attention is all you need, In Neural Information Processing Systems, 2017b
François Chollet. Xception: Deep learning with depthwise separable convolutions. arXiv preprint arXiv:1610.02357, 2016
Ba, J. L., Kiros, J. R., & Hinton, G. E. (2016). Layer Normalization. https://doi.org/10.1038/nature14236
Min Joon Seo, Aniruddha Kembhavi, Ali Farhadi, and Hannaneh Hajishirzi. Bidirectional attention flow for machine comprehension. CoRR, abs/1611.01603, 2016. URL http://arxiv.org/ abs/1611.01603
Kingma, D. P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization, 1–15. https://doi.org/http://doi.acm.org.ezproxy.lib.ucf.edu/10.1145/1830483.1830503
Kingma, D. P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization, 1–15. https://doi.org/http://doi.acm.org.ezproxy.lib.ucf.edu/10.1145/1830483.1830503