DeBERTa刷新了GLUE的榜首，本文解讀一下DeBERTa在BERT上有哪些改造

DeBERTa對BERT的改造主要在三點

分散注意力機制

為了更充分利用相對位置信息，輸入的input embedding不再加入pos embedding, 而是input在經過transformer編碼后，在encoder段與“decoder”端 通過相對位置計算分散注意力

增強解碼器（有點迷）

為了解決預訓練和微調時，因為任務的不同而預訓練和微調階段的gap，加入了一個增強decoder端，這個decoder并非transformer的decoder端（需要decoder端有輸入那種），只是直觀上起到了一個decoder作用

解碼器前接入了絕對位置embedding，避免只有相對位置而丟失了絕對位置embedding

其實本質就是在原始BERT的倒數第二層transformer中間層插入了一個分散注意力計算

訓練trick

訓練時加入了一些數據擾動

mask策略中不替換詞，變為替換成詞的pos embedding

分散注意力機制

motivation

BERT加入位置信息的方法是在輸入embedding中加入postion embedding, pos embedding與char embedding和segment embedding混在一起，這種早期就合并了位置信息在計算self-attention時，表達能力受限，維護信息非常被弱化了

BERT embedding

本文的motivation就是將pos信息拆分出來，單獨編碼后去content 和自己求attention，增加計算 “位置-內容” 和 “內容-位置” 注意力的分散Disentangled Attention

Disentangled Attention計算方法

分散注意力機制首先在input中分離相對位置embedding，在原始char embedding+segment embedding經過編碼成后，與相對位置計算attention,

即是內容編碼，是相對的位置編碼， attention的計算中，融合了位置-位置，內容-內容，位置-內容，內容-位置

相對位置的計算

限制了相對距離，相距大于一個閾值時距離就無效了，此時距離設定為一個常數，距離在有效范圍內時，用參數用控制

增強型解碼器

強行叫做解碼器

用 EMD( enhanced mask decoder) 來代替原 BERT 的 SoftMax 層預測遮蓋的 Token。因為我們在精調時一般會在 BERT 的輸出后接一個特定任務的 Decoder，但是在預訓練時卻并沒有這個 Decoder；所以本文在預訓練時用一個兩層的 Transformer decoder 和一個 SoftMax 作為 Decoder。其實就是給后層的Transformer encoder換了個名字，千萬別以為是用到了Transformer 的 Decoder端

絕對位置embedding

在decoder前有一個騷操作是在這里加入了一層絕對位置embedding來彌補一下只有相對位置的損失，比如“超市旁新開了一個商場”，當mask的詞是“超市”，“商場”，時，只有相對位置時沒法區分這兩個詞的信息，因此decoder中加入一層

一些訓練tricks

將BERT的訓練策略中，mask有10%的情況是不做任何替換，這種情況attention偏向自己會非常明顯，DeBeta將不做替換改成了換位該位置詞絕對位置的pos embedding, 實驗中明顯能看到這種情況下的attention對自身依賴減弱

在訓練下游任務時，給訓練集做了一點擾動來增強模型的魯棒性

效果

DeBERTa large目前是GLUE的榜首，在大部分任務上整體效果相比還是有一丟丟提升

責任編輯：lq