22년 10월 11일 자연어처리 스터디 발표자료 발표영상(일부공개) : https://youtu.be/AO_K9px5peI?list=PLFYmifvO4WT8iqxv1cMqdNH1-xU7Dej9v

1. BERT : Pre-training of Deep Bidirectional
Transformers for Language Understanding
유용상
Google 2019
2022.10.11 NLP 스터디

2. Introduction
WordPiece Embedding
+
Segment Embedding
+
Position Embedding
Masked Language Model
Next Sentence Prediction
Encoders of Transformers
Bidirectional + Multi-layer
Pre-train
Fine-Tuning

3. WordPiece Embedding
• BERT에서 사용한 tokenizer, 30000개의 토큰 사용
• OOV문제를 해결할 수 있는 Subword Tokenizer의 일종임
• Likelihood를 기반으로 BPE(Byte Pair Encoding)을 수행한 알고리즘
글자(character) 단위로 분리
설정한 횟수만큼 알고리즘 실행 : 빈도가 높은 유니그램의 쌍을 통합

4. Segment Embedding
• [SEP] 토큰을 이용해 문장을 구분함
• Task에 따라 문장단위가 아닐수도
있음
• (예 : QA 태스크에서 질문은 한
문장이지만 본문은 여러 문장,
[SEP]으로 구분함)

5. Position Embedding
• Transformer의 self attention은 입력의 위치를 고려하지 않고
입력 토큰의 위치정보만을 고려함 (positional encoding)
• 포지션 위치에 따라 다음 값을 더해 토큰의 상대적 위치와 관련한 정보를 학습시킴 (최대 512)
WordPiece Embedding
+
Segment Embedding
+
Position Embedding
LayerNorm Dropout Encoder Block

6. Pre-Training : Masked Language Model
• Motivation :
기존의 언어 모델들은 단방향적인 문맥만 학습에 참고하였으나 실제 언어의 이해는
Bi-Directional하게 이루어짐
• 그런데 Bi-Directional 하게 학습을 하면 “cheating” 이 가능하게됨
-> 마스킹 시키자!
• 전체 예측 대상 토큰 15% 중
• 80% -> [MASK] 토큰으로 교환
• 10% -> 다른 무작위 단어로 교환
• 10% -> 바꾸지 않고 놔둠

7. Pre-Training : Next Sentence Prediction
• 두 문장이 주어졌을 때, 두 문장의 순서를 예측하는 방식
• 두 문장 간 관계가 고려되어야 하는 NLI 와 QA의 파인 튜닝을 위해 두 문장의 연관을 맞추는
학습을 진행

8. Fine-tuning
• Pre-train을 마치고 Downstream task에 맞춰 Labeled Data를 추가로 학습시키는 과정
• 기존 연구에서는 문장 embedding만을 transfer 시켰으나 BERT에서는 모든 파라미터를 그대로 옮겨서 학습

9. Fine-tuning : Single Sentence Classification
• Input : single sentence
• Output : class
• Task : Sentiment analysis, Document Classification
• Datasets : SST-2, CoLa

10. Fine-tuning : Single Sentence Tagging
• Input : single sentence
• Output : class of each word
• Task : Slot filling
• Datasets : CoNLL-2003 NER

11. Fine-tuning : Sentence Pair Classification
• Input : two sentences
• Output : class
• Task : Natural Language Inference
• Datasets : MNLI, QQP, QNLI, STS-B, MRPC, RTE, SWAG

12. Fine-tuning : Question Answering
• Input : Question, Paragraph(Document)
• Output : Answer
• Task : Natural Language Inference
• Datasets : MNLI, QQP, QNLI, STS-B, MRPC, RTE, SWAG

13. summary
• Model Architecture
- BERT Base : L = 12, H = 768, A = 12
- BERT Large : L = 24, H = 1024, A = 16
• Input Representation
- Wordpiece embeddings
- Learned positional embedding
- [CLS] – Classification embedding
- Packed sentence embedding [SEP]
- Segment Embedding
• Pre-training Tasks
- Masked LM
- Next Sentence Prediction

14. Reference
• https://wikidocs.net/109251
• https://mino-park7.github.io/nlp/2018/12/12/bert-
%EB%85%BC%EB%AC%B8%EC%A0%95%EB%A6%AC/?fbclid=IwAR3S
-8iLWEVG6FGUVxoYdwQyA-zG0GpOUzVEsFBd0ARFg4eFXqCyGLznu7w
• https://docs.likejazz.com/bert/