Google翻訳のアーキテクチャー（３）　Attention Mechanism

新しいGoogle翻訳の元になった論文


新しいGoogle翻訳のシステムは、全く新しいアイデアに基づいてスクラッチから作り上げられたものではない。 その基本的なアイデアは、2016年の5月にarXivに投稿された次の論文に多くを負っている。（Google Brainのチームが、新しいシステムを６ヶ月で仕上げたと言っていることと、符合する。）

Bahdanau, D., Cho, K., and Bengio, Y. “Neural machine translation by jointly learning to align and translate”  https://goo.gl/HZxbNH 

「近年、ニューラル機械翻訳として提案されたモデルは、多くの場合、Encoder-Decoderのファミリーに属している。そこでは、ソースの文が固定長ベクトルにエンコードされ、そこからデコーダが 翻訳文を生成する。この論文では、固定長ベクトルの使用が、この基本的なEncoder/Decoderアーキテクチャの性能を改善する上でのボトルネックになっていると推論し ... 」

先に見た、Ilya Sutskever らの翻訳システムでは、翻訳されるべき文は、Encoderで、一旦、ある決まった大きさの次元（例えば8000次元）を持つベクトルに変換される。このベクトルからDecoderが翻訳文を生成する。入力された文が、長いものであっても短いものであっても、中間で生成され以降の翻訳プロセスすべての出発点となるこのベクトルの大きさは同じままだ。このシステムでは、長くても短くても入力された文全体が、一つの固定長のベクトルに変換されるのだ。

確かに、そこは翻訳の精度を上げる上でのボトルネックになりうる。事実、Ilya Sutskever らのシステムでは、文の長さが長くなるにつれて、翻訳の精度が低下されるのが観察されるという。

それでは、どうすればいいのか？

「モデルに自動的に、ターゲット・ワードを予測するのに重要なソース・文の一部分について、 （ソフト）検索を可能とすることによって、これを拡張することを提案する。その際、これらの部分を明示的にハードセグメントとして形成する必要はない。」

Attention Mechanism


文全体に一つの固定長のベクトルを割り当てるのではなく、翻訳時に、ソース・文の一部分を 改めて見直して、その部分から提供される情報を翻訳に生かそうということだ。

次の図を見て欲しい。





「ここで、yはデコーダによって生成された翻訳された単語であり、xは原文の単語である。上記の図は双方向のリカレント・ネットワークを使用しているが、それは重要ではない。逆方向は無視していい。重要な部分は、各デコーダの出力するワード $y_t$が、Encoderの最後の状態だけでなく、すべての入力状態の重みづけられた結合に依存することである。 aは、出力ごとに、それぞれの入力状態をどの程度考慮されるべきかを定義する重みである。したがって、$a_ {3,2}$が大きい場合、これは、Decorderがターゲット文の第3の単語を生成しながら、ソース文の第2の状態に多くの注意を払うことを意味する。 aは、通常、1に合計されるように正規化される（それらは、入力状態に対する確率分布である）。」
このシステムでは、Encoderが、入力のシーケンスをAnnotationのシーケンス $(h_1, h_2 , \cdots , h_{T_x} ) $に変える。この図では、Annotation $h_i$の名前は、直接には書き込まれていない。上下に並んだ $\overrightarrow{h_i}$ と$\overleftarrow{h_i}$ を囲む四角が書かれているのだが、この四角が $h_i$である。（この論文では、右向きの隠れ層の状態$\overrightarrow{h_i}$ と左向きの隠れ層の状態 $\overleftarrow{h_i}$の「連結」として実装されている。）

Docorderが、入力の$(x_1, x_3, \cdots , x_T)$から、 $t$番目の語$y_t$ を生成しようとする時に、このAnnotationのシーケンス $(h_1, h_2 , \cdots , h_{T_x} ) $からの情報は、次の式で $c_i$に束ねられてDecoderに流れ込んでくる。
$$c_i = \sum_{j=1}^{T_x} \alpha_{ij}h_j $$
この$c_i$を、Contextと呼んでいる。

Decoderの内部状態 $s_i$は、先行するノードの内部状態$s_{i-1}$と先行するノードの出力$y_{i-1}$と、このContext $c_i$で決まるのである。
$$s_i = f(s_{i−1}, y_{i−1}, c_i)$$

「直観的には、 これは、DecoderにAttentionのメカニズムを実装する。Decoderは、ソースの文のいくつかの部分を、注意を払うべき文章だと決定する。Decoderに、Attentionのメカニズムを持たせることで、 Encoderは、ソース文内のすべての情報を固定長のベクトルにエンコードする負担から解放される。 この新しいアプローチにより、情報は、 Annotationのシークエンス上に広がって拡散することができ、その情報は、Decoderによって選択的に取り出すことができる。」

 Alignment Model 


Context $c_i$を定義している、それぞれのAnnotation $h_j$にかかる重み$\alpha_{ij}$は、次の式で定義される。
$$\alpha_{ij} = \frac{exp(e_{ij})}{\sum_{k=1}^{T_x}exp(e_{ik})} $$
先の図の$\alpha_{t,1}, \alpha_{t,2}, \cdots , \alpha_{t,T}$を全部足し合わせると、１になる。SoftMaxと同じだ。

$\alpha_{ij}$の計算の元になる、$e_{ij}$は、次のように計算される。
$$e_{ij} = a(s_{i-1}, h_j)$$
この指標$e_{ij}$（Alijgnment Modelと呼ばれる）は、入力のi番目付近と、出力のj番目付近が、うまくマッチしているかを示すものだ。$e_{ij}$は、Decoderの$i-1$番目の状態（$y_i$を出力する直前の状態である）と、Encoderの$j$番目のAnnotation $h_j$で決まる。

次の図は、英語からフランス語の翻訳で、英語の入力の$j$番目の語と、フランス語の出力の$i$番目の語について、$\alpha_{ij}$の値をグレースケールで示したものである（白は１、黒は０）。



二つの言語の語順が、同じであれば、対角線上に、１が集まることになるのだが。

この図は、次の英語とフランス語の翻訳が、下線部分で、語順が逆になることを反映している。
The agreement on the European Economic Area was signed in August 1992 .  
L' accord sur la zone économique européenne a été signé en août 1992 . 
もっとも、Word Alignmentについては、90年代の「統計的機械翻訳モデル」においても、熱心に研究されていたので、こうしたアプローチは、新しいものではない。

Googleニューラル機械翻訳論文との比較


Googleの論文では、このAttentionの部分は、次のようになっている。

$$s_t= \it{AttentionFunction} ( \bf{y}_{i-1}, \bf{x})  \ \  \ \forall{t} ,  1 \leq t \leq M$$
$$p_t = exp(s_t) / \sum_{t=1}^M exp(s_t)   \ \ \ \forall{t} ,  1 \leq t \leq M$$
$$a_i = \sum_{t=1}^M p_t \cdot \bf{x}_t $$

基本的には、この論文と同じであることがわかる。

コメント

コメントを投稿

このブログの人気の投稿

マルレク・ネット「エントロピーと情報理論」公開しました。

イメージ
前回の秋葉原でのマルレクのネット配信が始まりました。 https://crash.academy/class/156 タイトルを「エントロピーと情報理論 -- 量子情報理論入門 -- 」に変更しました。最初の30分は、無料です。 次回のマルレク「量子コンピュータとは何か？」の導入となるコンテンツです。 講演資料は、こちらです。 https://goo.gl/CKayix  あわせて、ご利用ください。 　　　--------------------------------- 　　　マルレク・ネット　ビデオ・コンテンツ　 　　　--------------------------------- 　「エントロピーと情報理論」 　　　　 https://crash.academy/class/156 　「人工知能の歴史を振り返る」 　　　　 https://crash.academy/class/139/ 　「ニューラル・コンピューターとは何か？」 　　　　 https://crash.academy/class/101/ 　「Google ニューラル機械翻訳」 　　　　 https://crash.academy/class/76/ 　「RNNとLSTMの基礎」 　　　　 https://crash.academy/class/66/
続きを読む

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション...
続きを読む

宇宙の終わりと黒色矮星

イメージ
【宇宙の終わりと黒色矮星】 図のようなストーリーで、「宇宙の終わりとエントロピー」という投稿を準備していたのだが、いろいろ雑念が湧いて気がすすまなくなる。その理由は別稿で。 この図は、「閉じられた部屋でのガスの拡散」というわかりやすいモデルで理解されるエントロピーの増大の法則が、あるフェーズから、宇宙規模でみれば、「全ての物質のブラックホールへの吸収・収斂」として現れると言うことを主張している。最初、ペンローズのこの話を読んだときには、目からウロコだった。 このストーリーにはもっと先がある。最近のシミュレーションでは、指数関数的に膨張する宇宙では、巨大なブラックホールに捕捉されるのは、宇宙全体の物質の10%程度だという。恒星起源のブラックホールは 10^67 年で、銀河系中心の巨大ブラックホールも 10^99年で、ホーキング放射で「蒸発」し姿を消す。 ブラックホールに捕捉されなかった宇宙の残りの90%の物質は、元それが属した銀河系から孤立したまま星の一生の進化を続ける。太陽の1.2倍程度の質量を持つ星は「白色矮星」になるのだが、「白色矮星」は 10^17年で「黒色矮星」に変わる。 「黒色矮星」は、現代の「宇宙の終末論」では、もっとも注目されている天体なのだが、それはまだ観測されていないと言う。というのも、この天体は光を出さないからだ。「黒色矮星」の中心は、最も安定な原子である鉄の「結晶」でできていて、温度は絶対零度近くに冷却されている。 「黒色矮星」は、とても長生きする天体である。陽子崩壊がおきるなら、黒色矮星の寿命は 10^32年程度だが、もし陽子が安定しているとすれば、太陽の 1.24倍程度の質量を持つ「黒色矮星」は、10^1600年後に突然崩壊して超新星爆発を起こす。もっと軽い、太陽の1.16倍程度の質量を持つ「黒色矮星」は、10^32000 年後（！）に超新星爆発を起こす。 このシナリオによれば、宇宙は、とてつもなく長い長い退屈な時間をかけて、その死を迎える。「黒色矮星」の超新星爆発は、宇宙の死を飾る最後の打ち上げ花火である。その後には、宇宙には何も起こらない。 この記事は、ジョン・バエズの "Black Dwarf Supernovae" を基にしたものだ。https://johncarlosbaez.wordpress.com/202...
続きを読む