MiniLM V2 深度自注意力蒸馏: Multi-Head Self-Attention Relation Distillation for Compressing Pretrain

建议先阅读MiniLM V1：蒸馏预训练模型架构：深度自注意力蒸馏（NeurIPS 2020） MINILM - 知乎

论文个人理解

目的

与V1一样，本篇paper也是在预训练阶段蒸馏模型（跟任务无关的蒸馏架构），下游任务直接load蒸馏预训练好的student模型，使用任务相关数据finetuning。

方法

1. 深度自注意力蒸馏： 蒸馏query-query矩阵、key-key矩阵和value-value矩阵（V1采用的是attention矩阵和V-V矩阵）
2. 如果teacher模型过大，可以从teacher的中上层（upper-middle layer）蒸馏到student的最后一层（V1采用的是助手机制）

结论

超越了MiniLM V1的效果

论文精读

摘要

如下图所示，MiniLM V1提出的深度自注意力提出了与层数、hidden_size无关的蒸馏架构，但是仍然需要attention head的数目一样（一般为12）

本文（MiniLM V2）连attention head数目都不需要一样了，通过蒸馏query、key和value的多头自注意力关系；另外不同于V1版本的助手机制（teacher蒸馏给助手、助手再蒸馏给student），本文直接将teacher模型的中上层（upper-middle layer）蒸馏到student（这点和Marginal Utility Diminishes: Exploring the Minimum Knowledge for BERT Knowledge Distillation（ACL 2021）的思路有相同的结论）

模型结构

paer的核心就全在这两张图里了，左图是最后一层或者中上层蒸馏，右图是q、k和v的多头自注意力关系蒸馏的计算过程

多头自注意力关系蒸馏

上面右图从下而上把计算过程梳理的很清楚

1. 映射：隐层经过映射得到queries、keys和values（跟BERT一一致）
2. Concat：将queries、keys和values相同concat到一起 （那么teacher concat后size为 seq_len*teacher_hidden_size，同理student concat后size为seq_len * student_hidden_size）

1. Split：再将上面concat后进行split（这里为了teacher和student获得相同维度的relation矩阵）
2. 最后在计算自注意力关系矩阵、这Q和Q自己计算attention矩阵（BERT中是Q和K计算），这也是为什么叫做自注意力关系

最后一层或者中上层蒸馏

有很多论文介绍，将teacher最后一层蒸馏给student通常不会取得最好的结果，主要原因是student很难学会最后一层的语义信息。不谋而合，当student蒸馏模型参数相差很大的teacher时，论文抛弃了V1版本蒸馏最后一层的思路，也采用了从中上层蒸馏的方法。但是当student和teacher参数相差不是很大时，还是会采用最后一层蒸馏的方法。

论文成果

消融实验

主要验证了少了任何一个注意力关系蒸馏都不行，其实发现跟V1版本效果差不多

下游任务

基本都是最好的，这里就不贴了

Paper地址：https://arxiv.org/pdf/2012.15828.pdf