Decomposition of construction method for a language encoder

Cover Page

Cite item

Full Text

Abstract

An encoder as part of a language model is a mechanism for converting text information into an effective numerical representation which is suitable for solving a wide range of text processing tasks by means of neural network methods. This paper suggests a way of decomposing of the learning process for a language encoder. The author considers the issues of expediency of such decomposition taking into account reduction of computational costs, quality control at intermediate training stages, provision of the interpretability of the results on each stage. The quality evaluation of the encoder is given.

About the authors

Igor Vladimirovich Trofimov

Ailamazyan Program Systems Institute of RAS

Author for correspondence.
Email: itrofimov@gmail.com
ORCID iD: 0000-0002-6903-4730

References

  1. Devlin J., Chang M-W., Lee K., Toutanova K.. BERT: Pre-training of Deep Bidirectional Transformers for language understanding, 2018, 16 pp.
  2. Raffel C., Shazeer N., Roberts A., Lee K., Narang Sh., Matena M., Zhou Ya., Li W., Liu P. J.. Exploring the limits of transfer learning with a unified text-to-text transformer, 2020, 67 pp.
  3. Brown T. B., Mann B., Ryder N., Subbiah M., Kaplan J., Dhariwal P., Neelakantan A., Shyam P., Sastry G., Askell A., Agarwal S., Herbert-Voss A., Krueger G., Henighan T., Child R., Ramesh A., Ziegler D. M., Wu J., Winter C., Hesse Ch., Chen M., Sigler E., Litwin M., Gray S., Chess B., Clark J., Berner Ch., McCandlish S., Radford A., Sutskever I., Amodei D.. Language models are few-shot learners, 2020, 75 pp.
  4. Fedus W., Zoph B., Shazeer N.. Switch transformers: scaling to trillion parameter models with simple and efficient sparsity, 2021, 40 pp.
  5. Kolesnikova A., Kuratov Y., Konovalov V., Burtsev M.. “Knowledge distillation of Russian language models with reduction of vocabulary”, Proceedings of the International Conference «Dialogue 2022» (Moscow, June 15–18, 2022), Computational Linguistics and Intellectual Technologies, vol. 21, 2022, ISBN 978-5-7281-3205-9, pp. 295–310.
  6. Zafrir O., Boudoukh G., Izsak P., Wasserblat M.. “Q8bert: Quantized 8bit bert”, 2019 Fifth Workshop on Energy Efficient Machine Learning and Cognitive Computing – NeurIPS Edition (EMC2-NIPS) (13 December 2019, Vancouver, BC, Canada), 2019, pp. 36–39.
  7. Clark K., Luong M. -T., Le Q. V., Manning Ch. D.. Electra: Pre-training text encoders as discriminators rather than generators, 2020, 18 pp.
  8. Kudo T., Richardson J.. SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing, 2018, 6 pp.
  9. Sennrich R., Haddow B., Birch A.. Neural machine translation of rare words with subword units, 2016, 11 pp.
  10. Schuster M., Nakajima K.. “Japanese and Korean voice search”, 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (25–30 March 2012, Kyoto, Japan), 2012, pp. 5149–5152.
  11. Mikolov T., Chen K., Corrado G., Dean J.. Efficient estimation of word representations in vector space, 2013, 12 pp.
  12. Trofimov I. V., Suleymanova E. A.. “A syntax-based distributional model for discriminating between semantic similarity and association”, Proceedings of the International Conference «Dialogue 2017». 1, Computational Linguistics and Intellectual Technologies, vol. 16, 2017, pp. 349–359.
  13. Трофимов И. В., Сулейманова Е. А.. «Дистрибутивно-семантическая модель для выявления категориального сходства», Программные системы: теория и приложения, 9:4(39) (2018), с. 443–460.
  14. Власова Н. А., Трофимов И. В., Сердюк Ю. П., Сулейманова Е. А., Воздвиженский И. Н.. «PaRuS — синтаксически аннотированный корпус русского языка», Программные системы: теория и приложения, 10:4(43) (2019), с. 181–199.
  15. Panchenko A., Lukashevich N. V., Ustalov D., Paperno D., Meyer K. M., Konstantinova N.. “RUSSE: The first workshop on Russian semantic similarity”, Proceedings of the International Conference «Dialogue 2015». 2, Computational Linguistics and Intellectual Technologies, vol. 14, RGGU, 2015, pp. 89–105.
  16. Трофимов И. В., Сулейманова Е. А., Власова Н. А., Подобряев А. В.. «Разрешение событийно-несобытийной неоднозначности существительных», Программные системы: теория и приложения, 9:4(39) (2018), с. 3–33.
  17. Трофимов И. В., Сердюк Ю. П., Сулейманова Е. А., Власова Н. А.. «Разрешение событийно-несобытийной неоднозначности существительных: нейросетевой подход», Программные системы: теория и приложения, 11:4(47) (2020), с. 31–53.
  18. Kuratov Yu., Arkhipov M.. Adaptation of deep bidirectional multilingual transformers for Russian language, 2019, 8 pp.
  19. Сорокин А. А., Макогонов С. В., Королев С. П.. «Информационная инфраструктура для коллективной работы ученых Дальнего Востока России», Научно-техническая информация. Серия 1: Организация и методика информационной работы, 2017, №12, с. 14—16.

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».