BERT 推出這一年來，除了 XLNet，其他的改進都沒帶來太多驚喜，無非是越堆越大的模型和資料，以及動輒 1024 塊 TPU，讓工程師們不知道如何落地。
ELECTRA 透過類似 GAN 的結構和新的預訓練任務，在更少的引數量和資料下，不僅吊打 BERT，而且僅用 1/4 的算力就達到了當時 SOTA 模型 RoBERTa 的效果。
簡介
ELECTRA 的全稱是 Efficiently Learning an Encoder that Classifies Token Replacements Accurately，先來直觀感受一下 ELECTRA 的效果：
右邊的圖是左邊的放大版，縱軸是 GLUE 分數，橫軸是 FLOPs (floating point operations)，Tensorflow 中提供的浮點數計算量統計。從上圖可以看到，同等量級的 ELECTRA 是一直碾壓 BERT 的，而且在訓練更長的步數之後，達到了當時的 SOTA 模型——RoBERTa 的效果。從左圖曲線上也可以看到，ELECTRA 效果還有繼續上升的空間。
模型結構
NLP 式的 Generator-Discriminator
ELECTRA 最主要的貢獻是提出了新的預訓練任務和框架，把生成式的 Masked language model(MLM) 預訓練任務改成了判別式的 Replaced token detection(RTD) 任務，判斷當前 token 是否被語言模型替換過。那麼問題來了，我隨機替換一些輸入中的字詞，再讓 BERT 去預測是否替換過可以嗎？可以的，因為我就這麼做過，但效果並不好，因為隨機替換太簡單了。
那怎樣使任務複雜化呢？咦，咱們不是有預訓練一個 MLM 模型嗎？
於是作者就乾脆使用一個 MLM 的 G-BERT 來對輸入句子進行更改，然後丟給 D-BERT 去判斷哪個字被改過，如下：
於是，我們 NLPer 終於成功地把 CV 的 GAN 拿過來了！
Replaced Token Detection
但上述結構有個問題，輸入句子經過生成器，輸出改寫過的句子，因為句子的字詞是離散的，所以梯度在這裡就斷了，判別器的梯度無法傳給生成器，於是生成器的訓練目標還是 MLM（作者在後文也驗證了這種方法更好），判別器的目標是序列標註（判斷每個 token 是真是假），兩者同時訓練，但判別器的梯度不會傳給生成器，目標函式如下：
因為判別器的任務相對來說容易些，RTD loss 相對 MLM loss 會很小，因此加上一個係數，作者訓練時使用了 50。
另外要注意的一點是，在最佳化判別器時計算了所有 token 上的 loss，而以往計算 BERT 的 MLM loss 時會忽略沒被 mask 的 token。作者在後來的實驗中也驗證了在所有 token 上進行 loss 計算會提升效率和效果。
事實上，ELECTRA 使用的 Generator-Discriminator 架構與 GAN 還是有不少差別，作者列出瞭如下幾點：
實驗及結論
創新總是不易的，有了上述思想之後，可以看到作者進行了大量的實驗，來驗證模型結構、引數、訓練方式的效果。
Weight Sharing
生成器和判別器的權重共享是否可以提升效果呢？作者設定了相同大小的生成器和判別器，在不共享權重下的效果是 83.6，只共享 token embedding 層的效果是 84.3，共享所有權重的效果是 84.4。作者認為生成器對 embedding 有更好的學習能力，因為在計算 MLM 時，softmax 是建立在所有 vocab 上的，之後反向傳播時會更新所有 embedding，而判別器只會更新輸入的 token embedding。最後作者只使用了 embedding sharing。
Smaller Generators
從權重共享的實驗中看到，生成器和判別器只需要共享 embedding 的權重就足矣了，那這樣的話是否可以縮小生成器的尺寸進行訓練效率提升呢？作者在保持原有 hidden size 的設定下減少了層數，得到了下圖所示的關係圖：
可以看到，生成器的大小在判別器的 1/4 到 1/2 之間效果是最好的。作者認為原因是過強的生成器會增大判別器的難度（判別器：小一點吧，我太難了）。
Training Algorithms
實際上除了 MLM loss，作者也嘗試了另外兩種訓練策略：
Adversarial Contrastive Estimation：ELECTRA 因為上述一些問題無法使用 GAN，但也可以以一種對抗學習的思想來訓練。作者將生成器的目標函式由最小化 MLM loss 換成了最大化判別器在被替換 token 上的 RTD loss。但還有一個問題，就是新的生成器 loss 無法用梯度下降更新生成器，於是作者用強化學習 Policy Gradient 的思想，將被替換 token 的交叉熵作為生成器的 reward，然後進行梯度下降。強化方法最佳化下來生成器在 MLM 任務上可以達到 54% 的準確率，而之前 MLE 最佳化下可以達到 65%。
Two-stage training：即先訓練生成器，然後 freeze 掉，用生成器的權重初始化判別器，再接著訓練相同步數的判別器。
對比三種訓練策略，得到下圖：
可見「隔離式」的訓練策略效果還是最好的，而兩段式的訓練雖然弱一些，作者猜測是生成器太強了導致判別任務難度增大，但最終效果也比 BERT 本身要強，進一步證明了判別式預訓練的效果。
Small model? Big model？
這兩節真是吊打之前的模型，作者重申了他的主要目的是提升預訓練效率，於是做了 GPU 單卡就可以愉快訓練的 ELECTRA-Small 和 BERT-Small，接著和尺寸不變的 ELMo、GPT 等進行對比，結果如下：
資料簡直優秀，僅用 14M 引數量，以前 13% 的體積，在提升了訓練速度的同時還提升了效果，這裡我瘋狂點贊。
小 ELECTRA 的本事我們見過了，那大 ELECTRA 行嗎？直接上圖：
上面是各個模型在 GLUE dev/text 上的表現，可以看到 ELECTRA 僅用了 1/4 的計算量就達到了 RoBERTa 的效果。而且作者使用的是 XLNet 的語料，大約是 126G，但 RoBERTa 用了 160G。由於時間和精力問題，作者們沒有把 ELECTRA 訓練更久（應該會有提升），也沒有使用各種榜單 Trick，所以真正的 GLUE test 上表現一般（現在的 T5 是 89.7，RoBERTa 是 88.5，沒看到 ELECTRA）。
Efficiency Analysis
前文中提到了，BERT 的 loss 只計算被替換的 15% 個 token，而 ELECTRA 是全部都計算的，所以作者又做了幾個實驗，探究哪種方式更好一些：
1. ELECTRA 15%：讓判別器只計算 15% token 上的損失
2. Replace MLM：訓練 BERT MLM，輸入不用 [MASK] 進行替換，而是其他生成器。這樣可以消除這種 pretrain-finetune 直接的 diff。
3. All-Tokens MLM：接著用 Replace MLM，只不過 BERT 的目標函式變為預測所有的 token，比較接近 ELECTRA。
三種實驗結果如下：
可以看到：
對比 ELECTRA 和 ELECTRA 15%：在所有 token 上計算 loss 確實能提升效果
對比 Replace MLM 和 BERT：[MASK] 標誌確實會對 BERT 產生影響，而且 BERT 目前還有一個 trick，就是被替換的 10% 情況下使用原 token 或其他 token，如果沒有這個 trick 估計效果會差一些。
對比 All-Tokens MLM 和 BERT：如果 BERT 預測所有 token 的話，效果會接近 ELECTRA
另外，作者還發現，ELECTRA 體積越小，相比於 BERT 就提升的越明顯，說明 fully trained 的 ELECTRA 效果會更好。另外作者推斷，由於 ELECTRA 是判別式任務，不用對整個資料分佈建模，所以更 parameter-efficient。
總結
無意中發現了這篇還在 ICLR 盲審的 ELECTRA，讀完摘要就覺得發現了新大陸，主要是自己也試過 Replaced Token Detection 這個任務，因為平時任務效果的分析和不久前看的一篇文章，讓我深刻感受到了 BERT 雖然對上下文有很強的編碼能力，卻缺乏細粒度語義的表示，我用一張圖表示大家就明白了：
這是把 token 編碼降維後的效果，可以看到 sky 和 sea 明明是天與海的區別，卻因為上下文一樣而得到了極為相似的編碼。細粒度表示能力的缺失會對真實任務造成很大影響，如果被針對性攻擊的話更是無力，所以當時就想辦法加上更細粒度的任務讓 BERT 去區分每個 token，不過同句內隨機替換的效果並不好，弱雞的我也沒有再往前想一步，不然就也 ICLR 了。相信這個任務很多人都想到過，不過都沒有探索這麼深入，這也告誡我們，idea 遍地都是，往下挖才能有 SOTA。
ELECTRA 是 BERT 推出這一年來我見過最讚的 idea，它不僅提出了能打敗 MLM 的預訓練任務，更推出了一種十分適用於 NLP 的類 GAN 框架。畢竟 GAN 太牛逼了，看到 deepfake 的時候我就想，什麼時候我們也能 deepcheat，但聽說 GAN 在 NLP 上的效果一直不太好（只懂皮毛，要學起來了，輕拍），這次 ELECTRA 雖然只用了判別器，但個人認為也在一定程度上開啟了潘多拉魔盒。
另外，整篇文章都乾貨滿滿，不再像之前的 BERT+模型一樣可以用「more data+params+steps+GPU+MONEY」簡單概括。推薦大家去通讀正文+附錄，裡面還有一些失敗嘗試我沒有講。
如果 ELECTRA 去直播，我一定給它刷一輛遊艇。
論文：《ELECTRA: PRE-TRAINING TEXT ENCODERS AS DISCRIMINATORS RATHER THAN GENERATORS》
論文連結：https://openreview.net/pdf?id=r1xMH1BtvB