Modellazione Linguistica a Lungo Raggio con Auto-recupero

Long-range Language Modeling with Self-retrieval

June 23, 2023

Autori: Ohad Rubin, Jonathan Berant

cs.AI

Abstract

I modelli linguistici potenziati dal retrieval (LMs) hanno ricevuto molta attenzione di recente. Tuttavia, tipicamente il retriever non viene addestrato congiuntamente come componente nativa del LM, ma viene aggiunto a un LM già pre-addestrato, il che limita la capacità del LM e del retriever di adattarsi reciprocamente. In questo lavoro, proponiamo il Retrieval-Pretrained Transformer (RPT), un'architettura e una procedura di addestramento per addestrare congiuntamente un LM potenziato dal retrieval da zero per il compito di modellare testi lunghi. Dato un recente frammento di testo generato in un documento lungo, il LM calcola rappresentazioni di query, che vengono poi utilizzate per recuperare frammenti precedenti nel documento, situati potenzialmente decine di migliaia di token prima. Le informazioni dai frammenti recuperati vengono fuse nelle rappresentazioni del LM per prevedere il prossimo frammento target. Addestriamo il componente retriever con un obiettivo semantico, dove lo scopo è recuperare frammenti che aumentano la probabilità del frammento successivo, secondo un LM di riferimento. Valutiamo RPT su quattro compiti di modellazione linguistica a lungo raggio, che coprono libri, codice e scrittura matematica, e dimostriamo che RPT migliora la qualità del retrieval e successivamente la perplessità in tutti i casi rispetto a baseline solide.

English

Retrieval-augmented language models (LMs) have received much attention recently. However, typically the retriever is not trained jointly as a native component of the LM, but added to an already-pretrained LM, which limits the ability of the LM and the retriever to adapt to one another. In this work, we propose the Retrieval-Pretrained Transformer (RPT), an architecture and training procedure for jointly training a retrieval-augmented LM from scratch for the task of modeling long texts. Given a recently generated text chunk in a long document, the LM computes query representations, which are then used to retrieve earlier chunks in the document, located potentially tens of thousands of tokens before. Information from retrieved chunks is fused into the LM representations to predict the next target chunk. We train the retriever component with a semantic objective, where the goal is to retrieve chunks that increase the probability of the next chunk, according to a reference LM. We evaluate RPT on four long-range language modeling tasks, spanning books, code, and mathematical writing, and demonstrate that RPT improves retrieval quality and subsequently perplexity across the board compared to strong baselines.