用于文本生成和理解的BART简介
自监督方法在自然语言处理(NLP)任务中取得了显著成功，例如谷歌的BERT(来自transformer的双向编码器表示)从两个方向捕获表示，而Open AI的GPT-2则显示了自回归特性。这两种基于transformer的模型都有各自的特点，BERT能够判别任务（discriminative tasks ）但不能生成任务（generative tasks），GPT由于其自回归特性可以生成任务但不可以判别任务。去年，Facebook AI提出了BART，这是一个新的预训练模型，结合了双向transformer和自回归transformer ，可用于文本生成和理解。
介绍
BART是一种采用序列到序列模型构建的降噪自编码器，适用于各种最终任务。它使用基于标准transformer的神经机器翻译架构。BART的预训练包括：
1）使用噪声函数破坏文本;
2）学习序列到序列模型以重建原始文本。
这些预训练步骤的主要优势在于：该模型可以灵活处理原始输入文本，并学会有效地重建文本。
当为文本生成进行微调（fine-tuned）时，BART提供了健壮的性能，并且在理解任务中也能很好地工作。
模型
BART是一种降噪自编码器，可将损坏的文档映射到原始文档。它被实现为序列到序列模型，该模型具有在受损文本上的双向编码器和从左至右的自回归解码器。
架构
BART架构由两个主要组件组成：编码器和解码器。他们使用BERT的编码器组件，该组件用于从两个方向对输入语句进行编码，以获得更多上下文信息。
双向编码器:用掩码替换随机Tokens，文档双向编码。丢失的Tokens是独立预测的。
BART使用了来自GPT的解码器组件，该解码器组件用于重构噪声输入。然而，单词只能在leftward上下文使用，所以它不能学习双向互动。
自回归解码器：自回归预测的Tokens，这意味着GPT可以用于生成文本。
除了解码器部分使用GeLU激活函数而非ReLU外，BART使用标准的序列到序列transformer架构，参数的初始化是从N(0.0, 0.02)开始的。BART有两种变体，基本模型在编码器和解码器中使用6层，而大型模型则每个使用12层。
BART：此处文档已被替换为带有mask符号的文本，从而损坏了文档。使用双向模型对损坏的文档（左）进行编码，然后使用自回归解码器计算原始文档（右）的可能性。
Pre-Training BART
BART的训练方法是先破坏文档，然后使用交叉熵损失（解码器的输出与原始文档之间的交叉熵）通过解码器恢复它们。
有几个技巧可以用来破坏文档。
Token屏蔽：像BERT一样，对随机tokens进行采样并替换为[MASK] token。Token删除：从输入中删除随机tokens。与token屏蔽不同，该模型必须确定哪些位置缺少输入。文本填充：对几个文本范围进行采样，并用一个[MASK] token替换(可以是0长度)。句子排列：根据句号将文档分为句子。这些句子会随机排列。文档Rotation：随机选择一个token，然后对文档进行转换，使其以该token开头。此任务训练模型以识别文档的开始。
Transformations用于对试验的输入进行
Fine-Tuning BART
1.序列分类任务：就像BERT中的[CLS] token出现在编码器的开头一样，BART的[CLS] token位于最后一个解码器的最后一层。
2. Token分类任务：将相同的输入馈送到编码器和解码器，并使用来自解码器的最终隐藏表示对tokens进行分类。
3. 序列生成任务：由于BART具有自回归解码器，因此可以直接对它进行微调，以处理诸如抽象问题解答和摘要之类的序列生成任务。在这两个任务中，信息都是从输入中复制出来的，但经过了处理，这与降噪预训练目标密切相关。在此，编码器输入是输入序列，而解码器自动生成输出。
4. 机器翻译：对于机器翻译，将BART的编码器嵌入层替换为新的随机初始化的编码器。然后对模型进行端到端训练。新的编码器可以使用与原始BART模型不同的词汇表。
结果
在不同的任务中，预训练的表现差异很大Token masking是至关重要的：成功的方法为token删除、masking或者self-attention masks。从左到右的预训练可提高通用性双向编码对于SQuAD至关重要。最重要的是，BART在摘要任务上做得非常出色。以下示例摘要由BART生成。示例取自Wikinews文章。正如您所看到的，模型输出是流利且符合语法的英语。然而，模型输出也是高度抽象的，从输入中复制的短语很少。
这些例子表明，BART的预训练已经将自然语言理解和自然语言生成紧密的结合在一起了。
最后
这就是BART，一种学习将损坏的文档映射到原始文档的预训练方法。BART在discriminative任务上的表现与RoBERTa相似。