本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
新晋斯隆奖得主如何庆祝？
公开最新研究成果算不算？
就在斯隆奖宣布当天，陈丹琦团队展示了最新的研究成果。
团队发现，经典NLP模型BERT提出的预训练“15%掩蔽率”法则，是可以被打破的！
“15%掩蔽率”，指在一项预训练任务中，随机遮住15%的单词，并通过训练让AI学会预测遮住的单词。
陈丹琦团队认为，如果将掩蔽率提升到40%，性能甚至比15%的时候还要更好：
不仅如此，这篇文章还提出了一种新的方法，来更好地提升40%掩蔽率下NLP模型训练的效果。
一位抱抱脸（Hugging Face）工程师对此表示：
关于BERT有个很有意思的事情，它虽然是一项开创性的研究，然而它的那些训练方式都是错误或不必要的。
这篇论文的共同一作高天宇，也是清华特奖获得者，本科期间曾发表过四篇顶会论文。
那么，论文究竟是怎么得出这一结论的呢？
“大模型更适合高掩蔽率”
陈丹琦团队先是从掩蔽率、迭代次数和模型大小三个方向，验证了这一结论。
他们先是用了一系列不同的掩蔽率来训练NLP模型，参数如下：
结果发现，除了小部分数据集以外，模型在包括MNLI、QNLI、QQP、STS-B、SQuAD等数据集上的训练效果，40%掩蔽率都比15%都要更好。
为了进一步迭代次数 （training step）受掩蔽率的影响效果，作者们同样记录了不同迭代率下模型的效果。
结果显示，随着迭代次数的增加，40%掩蔽率基本都表现出了比15%更好的性能：
不仅如此，作者们还发现，更大的模型，更适合用40%掩蔽率去训练。
结果显示，大模型在40%掩蔽率的情况下，性能比中等NLP模型要更好：
这么看来，只将掩蔽率设置为15%，确实没有40%的训练效果更好，而且，更大的NLP模型还更适合用40%的掩蔽率来训练。
团队猜测，任务难一些能促使模型学到更多特征，而大模型正是有这种余裕。
为了探究其中的原理，作者们又提出了一个新的评估方法。
将掩蔽率拆分为2个指标
具体来说，就是将掩蔽率拆分为破坏率 （corruption rate）和预测率 （prediction rate）2个指标。
其中，破坏率是句子被破坏的比例，预测率是模型预测的比例。
例如，“我喜欢打篮球”语料可能被破坏成“我[MASK][MASK][MASK]”提供给模型，但模型却只需要预测第一个[MASK]是不是“喜欢”。
这样一来，就可以用破坏率来控制预训练任务的难度，用预测率来控制模型的优化效果。
论文进一步针对破坏率（mcorr）和预测率（mpred）进行了研究，发现了一个新规律：
预测率高，模型效果更好；但破坏率更高，模型效果更差：
这样就能用更精准的方式来评估各种预训练任务了。
最后，作者们在这种指标下，测试了多种掩码，观察在更高掩蔽率的情况下，哪些掩码的效果更好。
结果显示，随着掩蔽率的提升，随机均匀掩码的效果（Uniform）的表现还会比Span Masking、相关区间原则性掩码（PMI-Masking）更好。
然而，在之前的很多NLP模型中，基本都直接采用了PMI-Masking或是Span Masking等更复杂的掩码来训练。
这也说明，NLP大模型的预训练效果不能一概而论，光是训练方法就值得进一步研究。
作者介绍
论文的几名作者均来自陈丹琦团队。
一作高天宇，目前是普林斯顿大学的二年级博士生，本科毕业于清华大学，曾经获得清华本科特等奖学金。
本科时，高天宇就在刘知远教授团队中搞科研了，期间一共发表了4篇顶会论文（两篇AAAI，两篇EMNLP）。
共同一作Alexander Wettig，普林斯顿大学一年级博士生，本硕毕业于剑桥大学，对NLP的泛化能力方向感兴趣。
钟泽轩（Zexuan Zhong），普林斯顿大学博士生，硕士毕业于伊利诺伊大学香槟分校，导师是谢涛；本科毕业于北京大学计算机系，曾在微软亚研院实习，导师是聂再清。
通过这一发现，不少NLP大模型说不定又能通过改进训练方法，取得更好的效果了。
论文地址：
https://gaotianyu.xyz/content/files/2022/02/should_you_mask_15-1.pdf
