Module6. 딥러닝 (2)

Part1.  seq2seq with attention 모델 및 이를 통한 자연어 이해 및 생성

[Recurrent Neural Networks]

• Various Problem settings of RNN based sequence Modeling
  • one to one - Vanilla Neural Networks
  • one to many - Image Captioning (image-> sequence of words)
  • many to one - Sentiment classification (sequence of words ->  sentiment)
  • many to many - Machine Translation(다 입력 받고 번역), Video classifiacation on Frame level (그때 그때 번역)

 

• Character-level Language Model
  • auto-regressive model : 한 model의 output이 그 다음 time step의 입력으로 주어지는 모델

 

• Gradient vanishing or exploding problem of vanilla RNN
  -> LSTM or GPU

gate 구조

 

[Attention]

• Seq2Seq Model - 별개의 RNN이 각각 인코더, 디코더로 질문을 입력 받고 답변을 생성
  -> 인코더의 마지막 time step의 hidden state vector만을 입력으로 받음 => bottleneck problem (병목 현상)
•  Attention - 필요로 하는 hidden state vector들을 가져가서 예측에 직접적으로 활용  -> 병목현상 해결

 

• gradient path가 하나 더 생겨 학습 용이해짐 -> gradient vanishing 문제 해결
• 기계번역 task에서 우수함 
• self-attention (serving a general-purpose sequence or set encoder)
  -> Transformer, BERT에서 사용

---

Part2.  Transformer 모델의 동작 원리 

[Transformer ]

• seq2seq모델에서 기존의 RNN 대신 attention만을 사용하여 인코더 디코더를 구성한 모델
• general purpose sequence
• 트랜스포머를 깊게 쌓아서 훈련시켜 발전하고 있음 -> various NLP tasks
• 단점 : 메모리 요구량 ↑, 디코더에서는 autoregressive model의 제약 조건 여전히 존재

 

1. Scaled Dot-product Attention

-> key 벡터의 차원으로 scaling

 

2. Multi-head Attention

-> head 별로 각자 다른 기준으로 encoding

 

3. Add & Norm

 

4. Positional Encoding

 

5. Masked Self-attention

---

Part3.  자기지도학습 및 언어 모델을 통한 대규모 사전 학습 모델

[Self-Supervised Learning]

: label이 없는 데이터의 일부를 가리고 가려진 부분을 잘 복원 혹은 예측하도록 하는 task

 

• Transfer learning from self-supervised pre-trained Model

 

 

[BERT]

: Pre-training of Deep Bidirectional Transformers for Language Understanding

• Learn through masked language modeling (MLM), next-sentence prediction(NSP) Pre-training tasks
• Use large-scale data and large-scale model

 

1. Masked Language Model (MLM)

: 특정 %만큼의 input 데이터 토큰들을 랜덤으로 masking, 그리고 그 토큰을 예측

• k % of the words to predict
  • 80% - replace with [MASK]
  • 10% - replace with a random word
  • 10% - keep the sentence as same
• k가 너무 크면 문맥을 제대로 잡아내지 못하고 너무 작으면 비효율적 -> BERT는 15%

 

2. Next Sentence Prediction (NSP)

: 다음에 오는 문장인지 binary classification

 

 

 

[GPT-1/2/3]

: Generateive Pre-Trained Transformer

• GPT-2 : Language models are unsupervised multi-task learners
  • 엄청난 양의 high-quality dataset 사용
• GPT-3 : Language models are Few-shot learners
  • scaling up language models

-> 어떻게 프롬프트를 구성해서 원하는 답변의 성능을 얻어내는지 task : Prompt tuning

 

• Copilot : promgram data로 사전학습된 GPT-3 fine tuning모델 -> 프로그램 자동 완성
• HyperCLOVA : GPT-3 한국어 버전 of NAVER

 

• 요약
  • 모델들은 점점 커지고 있음 -> 요구되는 GPU도 커짐에 따라 대기업 중심으로 발전 중
  • self supervised learning 기술 덕분에 언어모델의 능력이 점점 발전 중
  • getting closer to artificial general intelligence

---

강의 내용 정리 : LG Aimers AI Essential Course - Module