Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer

要約

転移学習は、最初にデータが豊富なタスクでモデルを事前トレーニングしてから、下流のタスクで微調整するというもので、自然言語処理 (NLP) の強力な手法として登場しました。
転移学習の有効性により、さまざまなアプローチ、方法論、実践が生まれました。
このペーパーでは、すべてのテキストベースの言語問題をテキストからテキストへの形式に変換する統一フレームワークを導入することにより、NLP の転移学習テクニックの展望を探ります。
私たちの体系的な研究では、数十の言語理解タスクについて、トレーニング前の目標、アーキテクチャ、ラベルのないデータセット、転送アプローチ、その他の要素を比較しています。
大規模な調査からの洞察と新しい「Colossal Clean Crawled Corpus」を組み合わせることで、要約、質問応答、テキスト分類などを含む多くのベンチマークで最先端の結果を達成しました。
NLP の転移学習に関する今後の作業を促進するために、データセット、事前トレーニングされたモデル、およびコードをリリースします。

要約(オリジナル)

Transfer learning, where a model is first pre-trained on a data-rich task before being fine-tuned on a downstream task, has emerged as a powerful technique in natural language processing (NLP). The effectiveness of transfer learning has given rise to a diversity of approaches, methodology, and practice. In this paper, we explore the landscape of transfer learning techniques for NLP by introducing a unified framework that converts all text-based language problems into a text-to-text format. Our systematic study compares pre-training objectives, architectures, unlabeled data sets, transfer approaches, and other factors on dozens of language understanding tasks. By combining the insights from our exploration with scale and our new “Colossal Clean Crawled Corpus”, we achieve state-of-the-art results on many benchmarks covering summarization, question answering, text classification, and more. To facilitate future work on transfer learning for NLP, we release our data set, pre-trained models, and code.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google