Re58：读论文 REALM: Retrieval-Augmented Language Model Pre-Training

论文名称：REALM: Retrieval-Augmented Language Model Pre-Training

模型名称：Retrieval-Augmented Language Model pre-training (REALM)

本文是2020年ICML论文，作者来自谷歌，关注RAG+LLM。目标是解决纯用LM参数储存知识就得让LM尺寸越来越大+模块化+可解释。解决方案思路不复杂，就是从维百里找文章，加到输入里面做QA，预训练检索表征模块，在微调时隔好几步就重新更新一下检索表征。检索是可以更新的（可以在老数据上预训练，在新数据上做表征）

这玩意也能端到端真是太牛逼了

retrieve-then-predict

从维百中检索知识（检索到文章），将原文和检索到的文本拼一起预训练

这个具体如何实现端到端训练其实我没太看懂，总之就是说想了个办法，这个检索文档的过程可以定义为Maximum Inner Product Search (MIPS)

下游任务是Open-QA，传统解决方案是从语料库中找出问题对应的原文（retrieval-based），或者直接生成（generation-based）

1. REALM模块

预训练：MLM
retrieve, then predict
检索文档 z z z
预测： p ( y ∣ z , x ) p(y|z,x) p(y∣z,x)
微调：Open-QA
neural knowledge retriever：内积

表征模型：BERT-style Transformers

对 $CLS$ 表征做线性转换降维：

这玩意儿还专门分开表征标题和正文，真详细啊。
knowledge-augmented encoder
join x x x and z z z
MLM预训练：

微调时假设答案 y y y 是 z z z 中的连续tokens。 S ( z , y ) S(z,y) S(z,y)是spans：

所有span指向的可能性是加总
训练：最大似然
简化在所有语料库文档上的求和→top k文档求和
然后这里有一块我没看懂的MIPS，略，大概就是说需要经常重算 ( z ∣ x ) (z|x) (z∣x) 以简化计算balabala

这个仅用于预训练，微调不更新知识库向量

数学分析看不懂，略。

Injecting inductive biases into pre-training
Salient span masking：mask那种需要world knowledge的span
Null document：不用检索的时候就放个这个
Prohibiting trivial retrievals：这个是考虑到有时给我们找到原句了，这不得行，所以在预训练时直接把这种情况给删了
Initialization：这个主要是担心retriever的表征不好（冷启动问题）： Inverse Cloze Task (ICT) 预测句子出处。knowledge-augmented encoder用BERT

2. 实验

数据集里面那个CuratedTrec有点怪啊

主实验结果：

消融实验：

3. 其他

附录开篇上来就是数学公式，害怕。

附录还没看，如果以后有相关研究需求的话再来细看。