「无监督」机器翻译?数据都没有也可以翻译？-titres-php.cn

深度学习正在被广泛地运用于各项日常任务当中，尤其是涉及到一定程度“ 人性化”的领域，例如，图像识别。与其他机器学习算法不同，深度网络最突出的特点是随着获得数据的增多，其性能可以不断提高。因此，如果可以获得更多的数据，那么预期的性能也会变得更好。

深度网络最擅长的任务之一是机器翻译。目前，它是能够完成此项任务的最先进的技术，并且具有足够的可行性，甚至谷歌翻译（Google Translate）也在使用它。在机器翻译中，需要句子级（sentence-level）的并行数据对模型进行训练，即对于源语言中的每个句子来说，都需要是目标语言中被翻译的语言。不难想象为什么这会成为一个问题。因为，对于一些语言对来说，很难获得大量的数据（因此可以使用深度学习的这种能力）。

本文是如何构建的

本文是基于Facebook近期发表的一篇名为“仅使用单语语料库进行的无监督机器翻译”。本文并没有完全遵循论文的结构，我添加了一些自己的解读，进而让文章更加通俗易懂。

阅读本篇文章需要具备一些最关于神经网络的基本知识，比如损失函数、自动编码器等。

机器翻译的问题

如上所述，在机器翻译中使用神经网络的最大问题是，它需要两种语言的句子对数据集。它适用于英语和法语等被广泛使用的语言，而对于其他语言的句子对则不适用。如果语言对数据可用，那么这将成为一个受监督性的任务。

解决方案

这篇论文的作者想出了如何将这一任务转换为无监督任务的方法。在这一任务中，唯一需要的是两种语言中每一种语言的任意两个语料库，如任意一部英语小说和任意一部西班牙语小说。需要注意的一点是，这两部小说不一定是相同的。

从最直观的角度来讲，作者发现了该如何学习一种介于两种语言之间的潜在空间（latent space）的方法。

自动编码器概述

自动编码器是一种用于无监督任务的广泛的神经网络类别。它的工作原理是重新创建一个和最初输入相同的输入。完成这一操作的关键是网络中间有一个名为瓶颈层（bottleneck layer）的网络层。该网络层被用以捕捉所有关于输入的有用信息，并摒弃无用信息。

概念型自动编码器，中间模块是存储压缩表示的瓶颈层

简言之，在瓶颈层中，瓶颈层中输入（现在由编码器转换）所在的空间被称为潜在空间（latent space）。

降噪自动编码器

如果一个自动编码器被调教成完全按照输入的方式重建输入，那么它可能什么都做不了。在这种情况下，输出将得到完美的重建，但是在瓶颈层中没有任何有用的特性。为了解决这一问题，我们使用了降噪自动编码器。首先，实际输入因为增加了一些噪声而受到轻微干扰。然后，使用网络重建原始图像（并非含噪版本）。这样一来，通过学习什么是噪声（以及其真正有用的特征是什么），网络可以学习图像的有用特征。

一个降噪自动编码器的概念实例。利用神经网络对左图进行重建，生成右图。在这种情况下，绿色的神经元共同构成了瓶颈层

为什么要学习一个共同的潜在空间？

潜在空间可以捕捉数据的特征（在我们所举的例子中，数据就是句子）。因此，如果有可能获得一个空间，即当输入语言A时，就会产生与输入语言B相同的特征，那么我们就有可能在它们之间进行翻译。由于该模型已经拥有了正确的“特征”，因此由语言A的编码器进行编码，由语言B的解码器进行解码，这将使二者进行有效的翻译工作。

或许正如你想到的那样，作者利用降噪自动编码器学习一个特征空间。他们还想出了该如何使自动编码器学习一个共同潜在空间的方法（他们将其称之为一个对其潜在空间（aligned latent space）），进而执行无监督的机器翻译。

语言中的降噪自动编码器

作者用降噪编码器以一种无监督的方式学习特征。他们所定义的损失函数为：

方程1.0 自动去燥编码器损失函数

解读方程1.0

I是语言（对于这一设定，可能有两种语言）。X是输入，C(x)是给x添加噪声后的结果。我们将很快得到噪声所创建的函数C。e()是编码器，d()是解码器。最后一项Δ(x hat,x)是标记级（token level）的交叉熵误差值之和。由于我们有一个输入序列，并且我们得到了一个输出序列，因此我们要确保每个标记（token）的顺序都是正确的。因此使用这种损失函数。我们可以将它视为多标签分类，其中将第i个输入的标记与第i个输出标记进行比较。其中，标记（token）是一个不能被进一步破坏的基本单位。在我们的例子中，标记（token）是一个单词。方程1.0是一个损失函数，使得网络最小化输出（当给定一个噪声输入时）与原始、未受影响的句子之间的差别的损失函数。

□与~的符号表示

□是我们期望的表示，在这种情况下，这意味着输入的分布取决于语言l，并且采用损失的平均值。这只是一个数学形式，运算过程中的实际损失（交叉熵之和）将如往常一样。

这个特殊符号〜意味着“来自概率分布”。

在本文中我们不详细讨论这个细节，你可以在Deep Learning Book一文的第8.1章中详细了解这个符号。

如何添加噪声

对于图像而言，只需在像素上添加浮点数就可以增加噪声，而对于语言而言，则需采用其他方法。因此，作者开发了自己的系统来制造噪声。他们把他们的噪声函数表示为C()。它将句子作为输入，并输出该句子的含噪版本。

有两种不同的方法添加噪声。

首先，可以简单地以P_wd的概率从输入中删除一个单词。

其次，每个单词都可以使用下面这个约束进行原始位置的移位：

σ表示第i个标记的移位位置。因此，方程2.0意味着：“一个标记（token）可以最多向左或向右移动k个标记（token）的位置”

作者将K值设为3，将P_wd值设为1。

跨域训练

为了学习两种语言之间的翻译，应该通过一些处理将输入句子（语言A）映射到输出句子（语言B）。作者将这个过程称为跨域训练（cross domain training）。首先，输入句子(x)被采样。然后，使用先前迭代中的模型（M()）生成翻译后的输出(y)。把它们放在一起，我们便得到了y=M(x)。随后，使用上述相同的噪声函数C()干扰y，得到C(y)。语言A的编码器对这一被干扰的版本进行编码，语言B的解码器对语言A编码器的输出进行解码，并重新构建一个纯净版的C(y)。使用与方程1.0中相同的交叉熵误差值之和（sum of cross entropy error）对模型进行训练。

运用对抗式训练学习一个共同的潜在空间

到目前为止，还没有提到如何学习共同潜在空间。上面提到的跨域训练有助于学习一个相似空间，但需要一个更强的约束来推动模型学习一个相似的潜在空间。

作者使用对抗式训练。他们使用了另一个模型（称为鉴别器），该模型接受每一个编码器的输出，并预测编码后的句子属于哪一种语言。然后，从鉴别器中提取梯度，并对编码器进行训练，以欺骗鉴别器。这在概念上与标准的GAN（生成对抗网络）没有什么不同。鉴别器接收每个时间步的特征向量（因为使用了RNN），并预测它来自哪种语言。

将它们结合在一起

将上述3种不同的损失（自编码器损失、翻译损失和鉴别器损失）相加，所有模型的权重同时更新。

由于这是一个序列到序列的问题，因此作者使用了一个长短期记忆网络（LSTM），需要注意的是，这里存在两个基于LSTM的自动编码器，每种语言各含一个。

在较高级别上，训练这个架构需要三个主要步骤。它们遵循一个迭代训练过程。训练循环过程看起来有点像这样：

1.使用语言A的编码器和语言B的解码器获得翻译。

2.训练每个自动编码器，使其能够在给定一个损坏的句子时重新生成一个未损坏的句子。

3.通过破坏步骤1中获得的翻译来改进翻译并重新创建翻译。对于这一步，语言A的编码器和语言B的解码器一起进行训练（语言B的编码器和语言A的解码器一起训练）。

值得注意的是，即使步骤2和步骤3被分开列出，权重也会一起进行更新。

如何启动这个框架

如上所述，该模型使用之前的迭代过程中自身的翻译来提高其翻译能力。因此，在循环过程开始之前，拥有一定翻译能力是很重要的。作者使用FastText来学习词级双语词典。请注意，这种方法非常简单，仅需要给模型一个起点即可。

整个框架在下面的流程图中给出