Fugu-MT 論文翻訳(概要): Drop your Decoder: Pre-training with Bag-of-Word Prediction for Dense Passage Retrieval

論文の概要: Drop your Decoder: Pre-training with Bag-of-Word Prediction for Dense Passage Retrieval

arxiv url: http://arxiv.org/abs/2401.11248v2
Date: Mon, 22 Apr 2024 10:44:14 GMT
ステータス: 処理完了
システム内更新日: 2024-04-23 23:43:55.646536
Title: Drop your Decoder: Pre-training with Bag-of-Word Prediction for Dense Passage Retrieval
Title（参考訳）: Drop your Decoder:Dense Passage RetrievalのためのBag-of-Word予測による事前トレーニング
Authors: Guangyuan Ma, Xing Wu, Zijia Lin, Songlin Hu,
Abstract要約: マスケードオートエンコーダの事前学習は,高密度検索システムの初期化・拡張技術として広く普及している。マスク付きオートエンコーダのデコーダを、完全に単純化されたBag-of-Word予測タスクに置き換えることで、従来のMAEの修正を提案する。提案手法は,新たなパラメータを必要とせずに,大規模検索ベンチマークにおける最先端の検索性能を実現する。
参考スコア（独自算出の注目度）: 26.00149743478937
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Masked auto-encoder pre-training has emerged as a prevalent technique for initializing and enhancing dense retrieval systems. It generally utilizes additional Transformer decoder blocks to provide sustainable supervision signals and compress contextual information into dense representations. However, the underlying reasons for the effectiveness of such a pre-training technique remain unclear. The usage of additional Transformer-based decoders also incurs significant computational costs. In this study, we aim to shed light on this issue by revealing that masked auto-encoder (MAE) pre-training with enhanced decoding significantly improves the term coverage of input tokens in dense representations, compared to vanilla BERT checkpoints. Building upon this observation, we propose a modification to the traditional MAE by replacing the decoder of a masked auto-encoder with a completely simplified Bag-of-Word prediction task. This modification enables the efficient compression of lexical signals into dense representations through unsupervised pre-training. Remarkably, our proposed method achieves state-of-the-art retrieval performance on several large-scale retrieval benchmarks without requiring any additional parameters, which provides a 67% training speed-up compared to standard masked auto-encoder pre-training with enhanced decoding.
Abstract（参考訳）: マスケードオートエンコーダの事前学習は,高密度検索システムの初期化・拡張技術として広く普及している。一般にトランスフォーマーデコーダブロックを使用して、持続可能な監視信号を提供し、コンテキスト情報を高密度な表現に圧縮する。しかし、このような事前学習技術の有効性の根拠はいまだ不明である。トランスフォーマーベースのデコーダのさらなる使用も、計算コストを大幅に上回っている。本研究では,マスク付きオートエンコーダ(MAE)の事前学習により,高密度表現における入力トークンのカバレッジが,バニラBERTチェックポイントと比較して大幅に向上することを明らかにした。この観測に基づいて,マスク付きオートエンコーダのデコーダを,完全に単純化されたBag-of-Word予測タスクに置き換えることで,従来のMAEの修正を提案する。この修正により、教師なし事前学習により、語彙信号の高密度表現への効率的な圧縮が可能となる。提案手法は,大規模検索ベンチマークにおいて,追加のパラメータを必要とせず,従来のマスク付きオートエンコーダに比較して67%の高速化を実現している。

関連論文リスト

Challenging Decoder helps in Masked Auto-Encoder Pre-training for Dense Passage Retrieval [10.905033385938982]
Masked Auto-Encoder (MAE) 事前トレーニングアーキテクチャが最も有望である。本稿では,デコーダの難易度を高めるために,ポイントワイド相互情報に基づく新しいトークン重要マスキング戦略を提案する。
論文参考訳（メタデータ） (2023-05-22T16:27:10Z)
Think Twice before Driving: Towards Scalable Decoders for End-to-End Autonomous Driving [74.28510044056706]
既存のメソッドは通常、分離されたエンコーダ-デコーダパラダイムを採用する。本研究は,この問題を2つの原則で緩和することを目的としている。まず、エンコーダの特徴に基づいて、粗い将来の位置と行動を予測する。そして、その位置と動作を条件に、将来のシーンを想像して、それに従って運転した場合にその影響を確認する。
論文参考訳（メタデータ） (2023-05-10T15:22:02Z)
Quick Dense Retrievers Consume KALE: Post Training Kullback Leibler Alignment of Embeddings for Asymmetrical dual encoders [89.29256833403169]
我々は,高密度検索手法の推論効率を高めるための効率的かつ正確な手法であるKulback Leibler Alignment of Embeddings (KALE)を紹介した。 KALEは、バイエンコーダトレーニング後の従来の知識蒸留を拡張し、完全なリトレーニングやインデックス生成なしに効率的なクエリエンコーダ圧縮を可能にする。 KALEと非対称トレーニングを用いることで、3倍高速な推論を持つにもかかわらず、DistilBERTの性能を超えるモデルを生成することができる。
論文参考訳（メタデータ） (2023-03-31T15:44:13Z)
ConTextual Mask Auto-Encoder for Dense Passage Retrieval [49.49460769701308]
CoT-MAEは,高密度経路抽出のための簡易かつ効果的な生成前訓練法である。文のセマンティクスを高密度ベクトルに圧縮する学習は、自己教師付きおよび文脈教師付きマスキングによる自動エンコーディングによって行われる。我々は,大規模経路探索ベンチマークの実験を行い,強力なベースラインよりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2022-08-16T11:17:22Z)
RetroMAE: Pre-training Retrieval-oriented Transformers via Masked Auto-Encoder [15.24707645921207]
本稿では,RetroMAE として知られる Masked Auto-Encoder に基づく高密度検索のための新しい事前学習フレームワークを提案する。私たちは、英語のWikipediaやBookCorpusでBERTのようなエンコーダを事前訓練しています。
論文参考訳（メタデータ） (2022-05-24T12:43:04Z)
MAE-AST: Masked Autoencoding Audio Spectrogram Transformer [11.814012909512307]
本稿では,音声と音声の分類のための音声スペクトル変換器(SSAST)モデルに対する簡易かつ強力な改良を提案する。我々は、SSASTが事前トレーニング中に非常に高いマスキング比(75%)を使用するという知見を活用する。 MAEライクな事前トレーニングは,バニラSSASTよりも3倍のスピードアップと2倍のメモリ使用量の削減を可能にする。
論文参考訳（メタデータ） (2022-03-30T22:06:13Z)
Context Autoencoder for Self-Supervised Representation Learning [64.63908944426224]
符号化された表現空間で予測を行うことにより、符号化器を事前訓練する。ネットワークはエンコーダ/レグレッサ/デコーダアーキテクチャである。下流タスクにおける転送性能の向上によるCAEの有効性を実証する。
論文参考訳（メタデータ） (2022-02-07T09:33:45Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
Cross-Thought for Sentence Encoder Pre-training [89.32270059777025]
Cross-Thoughtは、事前トレーニングシーケンスエンコーダに対する新しいアプローチである。我々は、Transformerベースのシーケンスエンコーダを、多数の短いシーケンスに対してトレーニングする。質問応答とテキストのエンコーダタスクの実験は、事前学習したエンコーダが最先端のエンコーダより優れていることを示す。
論文参考訳（メタデータ） (2020-10-07T21:02:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。