Albert Base V1

🚀 ALBERT Base v1

マスク言語モデリング（MLM）を用いて英語で事前学習されたモデルです。下流タスクの特徴抽出に利用できます。

🚀 クイックスタート

このモデルは、マスク言語モデリングや次文予測に使用できますが、主に下流タスクでのファインチューニングを目的としています。詳細は以下を参照してください。

✨ 主な機能

• 双方向表現学習：マスク言語モデリング（MLM）により、文の双方向表現を学習します。
• 文順予測：Sentence Ordering Prediction（SOP）により、文の順序を予測する能力を獲得します。
• レイヤー共有：Transformerのレイヤーを共有することで、メモリ使用量を抑えます。

📦 インストール

このセクションではインストールに関する具体的な手順が提供されていません。

💻 使用例

基本的な使用法

マスク言語モデリングのパイプラインを使用して、このモデルを直接利用できます。

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-v1')
>>> unmasker("Hello I'm a [MASK] model.")
[
   {
      "sequence":"[CLS] hello i'm a modeling model.[SEP]",
      "score":0.05816134437918663,
      "token":12807,
      "token_str":"▁modeling"
   },
   {
      "sequence":"[CLS] hello i'm a modelling model.[SEP]",
      "score":0.03748830780386925,
      "token":23089,
      "token_str":"▁modelling"
   },
   {
      "sequence":"[CLS] hello i'm a model model.[SEP]",
      "score":0.033725276589393616,
      "token":1061,
      "token_str":"▁model"
   },
   {
      "sequence":"[CLS] hello i'm a runway model.[SEP]",
      "score":0.017313428223133087,
      "token":8014,
      "token_str":"▁runway"
   },
   {
      "sequence":"[CLS] hello i'm a lingerie model.[SEP]",
      "score":0.014405295252799988,
      "token":29104,
      "token_str":"▁lingerie"
   }
]

高度な使用法

PyTorchで与えられたテキストの特徴を取得する方法は次の通りです。

from transformers import AlbertTokenizer, AlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v1')
model = AlbertModel.from_pretrained("albert-base-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

TensorFlowでの使用方法は次の通りです。

from transformers import AlbertTokenizer, TFAlbertModel
tokenizer = AlbertTokenizer.from_pretrained('albert-base-v1')
model = TFAlbertModel.from_pretrained("albert-base-v1")
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

📚 ドキュメント

モデルの詳細

ALBERTは、自己教師あり学習方式で大量の英語データセットで事前学習されたトランスフォーマーモデルです。具体的には、以下の2つの目的で事前学習されています。

• マスク言語モデリング（MLM）：文の一部の単語をマスクし、それを予測することで、文の双方向表現を学習します。
• 文順予測（SOP）：2つの連続したテキストセグメントの順序を予測する損失関数を使用して学習します。

このモデルは、Transformerのレイヤーを共有するため、メモリ使用量が少なくなります。ただし、計算コストは同じ数の隠れ層を持つBERTのようなアーキテクチャと同程度です。

このモデルの構成は以下の通りです。

想定用途と制限

このモデルは、マスク言語モデリングや次文予測に使用できますが、主に下流タスクでのファインチューニングを目的としています。ただし、このモデルは主に文全体を使用して決定を下すタスク（シーケンス分類、トークン分類、質問応答など）でのファインチューニングを想定しています。テキスト生成などのタスクには、GPT2のようなモデルを使用することをお勧めします。

制限とバイアス

このモデルの学習データは比較的中立的であると言えますが、バイアスのある予測を行う可能性があります。例えば、以下のコードで示すように、男性と女性の職業に関する予測にバイアスが見られます。

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='albert-base-v1')
>>> unmasker("The man worked as a [MASK].")

[
   {
      "sequence":"[CLS] the man worked as a chauffeur.[SEP]",
      "score":0.029577180743217468,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the man worked as a janitor.[SEP]",
      "score":0.028865724802017212,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the man worked as a shoemaker.[SEP]",
      "score":0.02581118606030941,
      "token":29024,
      "token_str":"▁shoemaker"
   },
   {
      "sequence":"[CLS] the man worked as a blacksmith.[SEP]",
      "score":0.01849772222340107,
      "token":21238,
      "token_str":"▁blacksmith"
   },
   {
      "sequence":"[CLS] the man worked as a lawyer.[SEP]",
      "score":0.01820771023631096,
      "token":3672,
      "token_str":"▁lawyer"
   }
]

>>> unmasker("The woman worked as a [MASK].")

[
   {
      "sequence":"[CLS] the woman worked as a receptionist.[SEP]",
      "score":0.04604868218302727,
      "token":25331,
      "token_str":"▁receptionist"
   },
   {
      "sequence":"[CLS] the woman worked as a janitor.[SEP]",
      "score":0.028220869600772858,
      "token":29477,
      "token_str":"▁janitor"
   },
   {
      "sequence":"[CLS] the woman worked as a paramedic.[SEP]",
      "score":0.0261906236410141,
      "token":23386,
      "token_str":"▁paramedic"
   },
   {
      "sequence":"[CLS] the woman worked as a chauffeur.[SEP]",
      "score":0.024797942489385605,
      "token":28744,
      "token_str":"▁chauffeur"
   },
   {
      "sequence":"[CLS] the woman worked as a waitress.[SEP]",
      "score":0.024124596267938614,
      "token":13678,
      "token_str":"▁waitress"
   }
]

このバイアスは、このモデルのすべてのファインチューニングバージョンにも影響を及ぼします。

学習データ

ALBERTモデルは、BookCorpus（11,038冊の未公開の本からなるデータセット）と英語版ウィキペディア（リスト、テーブル、ヘッダーを除く）で事前学習されています。

学習手順

前処理

テキストは小文字に変換され、SentencePieceを使用してトークン化されます。語彙サイズは30,000です。モデルの入力形式は以下の通りです。

[CLS] Sentence A [SEP] Sentence B [SEP]

学習

ALBERTの学習手順は、BERTのセットアップに従います。各文のマスキング手順の詳細は以下の通りです。

• 15%のトークンがマスクされます。
• 80%のケースで、マスクされたトークンは[MASK]に置き換えられます。
• 10%のケースで、マスクされたトークンはランダムなトークンに置き換えられます。
• 残りの10%のケースでは、マスクされたトークンはそのまま残されます。

評価結果

下流タスクでファインチューニングされた場合、ALBERTモデルは以下の結果を達成します。

🔧 技術詳細

このセクションでは、モデルのアーキテクチャや学習手順に関する技術的な詳細が提供されています。

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。

BibTeXエントリと引用情報

@article{DBLP:journals/corr/abs-1909-11942,
  author    = {Zhenzhong Lan and
               Mingda Chen and
               Sebastian Goodman and
               Kevin Gimpel and
               Piyush Sharma and
               Radu Soricut},
  title     = {{ALBERT:} {A} Lite {BERT} for Self - supervised Learning of Language
               Representations},
  journal   = {CoRR},
  volume    = {abs/1909.11942},
  year      = {2019},
  url       = {http://arxiv.org/abs/1909.11942},
  archivePrefix = {arXiv},
  eprint    = {1909.11942},
  timestamp = {Fri, 27 Sep 2019 13:04:21 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1909-11942.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}