[Paper] ModerBERT
P
paper Lee
최근 올라오는 임베딩 모델 중 ModernBERT 구조 기반으로 학습된 모델들이 많다. 이에따라, ModernBERT 모델의 논문을 리뷰를 해보자
•
(11/10) Code Review는 아직 진행 중
TL;DR
•
기존 BERT보다 512 → 8192 input token으로 증가
◦
RoPE (Rotary Positional Encoding)
•
GeGLU, Normalization, Bias Term Disabling, Deep-Narrow, Alternating Attention, Flash Attention 2 / 3, Unpadding 등 최신 기법들을 사용해서 아키텍쳐를 구성함
◦
Alternating Attention으로 로컬-글로벌 어텐션
•
2조 개의 토큰으로 훈련함 (근데 영어 데이터로만 했음)
1. 논문이 다루는 Task
•
GLUE, IR, Code IR
◦
IR도 Single-Vector, Multi-Vector를 테스트하고, MLDR (long document)를 평가함
2. 기존 연구 한계
•
가장 중요한건, 컨텍스트 길이 제한 (512), 비효율적인 아키텍처
•
학습 효율만 개선 / 검색 성능에 초점.. 이런식으로 한 부분에만 초점을 뒀음
•
추가로, 데이터가 너무 구식이라 코드 과제에서 한계가 있다함
3. 제안 방법론:
Main Idea
Architectural Improvements
•
Modern Transformer
•
RoPE
◦
위치 정보 처리랑 더 많은 컨텍스트를 처리하기 위함
•
Normalization
◦
pre-Normalization
▪
입력 임베딩 이후에 먼저 layerNorm을 넣는 방식
◦
안정적인 학습을 하기위함
◦
long Context + Deep Layer로 인해서 post-Norm 방식으로는 학습이 어려워지기 때문에, pre-norm 방식으로 안정적으로 학습시킴
◦
또한, Warm-up 의존도도 낮고, lr schedule 설계가 수월해짐
▪
즉 결국은 long context에서의 학습을 위해서 설계되었다는 것
•
Bias Term 제거
◦
바이어스 항을 대부분 다 제거함 (마지막 Decoder layer를 제외하고)
◦
파라미터가 더 유용한 학습에 집중되도록 설계
▪
Deep&Narrow 구조여서 동일 파라미터에서 더 큰 모델을 표현하기 위함
▪
Bias도 하나의 파라미터이기 때문에..
◦
구현 자체는 nn.Linear(.., bias=False) 이런식으로 구현할 수 있음
•
Activation
◦
GeGLU
▪
모델 표현력을 더 높이기 위함
Efficiency Improvement
•
Alternating Attention
◦
매 3개 layer마다 global attention으로 처리 (전체 토큰이 어텐션을 주고 받기)
◦
각각 RoPE의 Theta값을 다르게 설계함
▪
이 방식은 전체 context를 잃지 않으면서 연산복잡도를 줄인다고함
◦
global → local → global → local …식으로 어텐션을 적용함
▪
나머지에는 sliding window로 local attention 처리 (일부 토큰만 어텐션 주고 받기)
•
Unpadding
◦
보통 우리가 입력 시퀀스를 만들 때 padding 토큰을 생성하는데, 이걸 하지 않음
▪
필요시 출력에서 다시 패딩을 복원하는 방식
◦
long context에서 padding의 비율이 늘어나면 좀 메모리가 낭비되는게 있다고 함
▪
Flash Attention 2/3이 가변 길이 처리를 지원 → 고효율로 어텐션 계산
•
Model Design
◦
Deep & Narrow
▪
layer는 진짜 많은데, 각 layer의 dimension이 작음
▪
표현 계층이 깊고 추상화 능력이 높음
•
최근 언어모델 트렌드라고함
Trainig / Data
•
최근 Mixture Data들을 사용
◦
영어 데이터로 구성된 2조 개의 토큰으로 학습
◦
웹문서, 과학문헌, 코드데이터
•
토크나이저
◦
OLMo 토크나이저 기반의 현대적인 BPE 토크나이저
▪
코드 관련 작업 효율성과 성능을 개선하기 위함
▪
CLS, SEP → BERT와 동일한 스페셜 토큰 사용
•
시퀀스패킹
◦
Greedy 패킹 알고리즘 → 효율 99% 달성, 배치크기 균일화
•
마스킹 비율
◦
30%의 마스킹 비율 사용 → 기존 15%는 효율적이지 못함
•
최적화 / LR 스케쥴
◦
StableAdamW
▪
파라미터별 학습률을 조정
▪
안정적인 학습을 이끔
◦
WSD
▪
warming up 이 있고, 대부분 구간에서 LR이 고정됨 → Decay도 적음
✨Contribution
•
RoPE를 사용해서 8192 token까지 context 길이를 확장함
◦
RoPE theta 크기 / 업샘플링 / LR Scheduling 다ㅏㅏㅏ 해야 성능이 올라감
•
downstream task 전반에 가장 균형 잡힌 모델을 만들 수 있게 됨
4. 실험 및 결과
Evaluation
•
NLU / Information Retreival / Long Context Retrieval / Code Retrieval로 평가를 진행함
•
다 이전 BERT계열 모델로 평가를 수행하였음
•
확실히 IR 부분에서는 다른 모델들보다 Base/Large 모두 좋은 성능을 보였음
•
Large도 거의 마찬가지 (다른 모델들에 성능이 좀 떨어지는 것이 있지만 거의 차이가 없음)
효율성 평가
•
파라미터가 거의 비슷함에도 불구하고, batch size를 크게 가져감
◦
variable length에 대해서는 다른 모델들 보다 좋음
◦
고정된 길이에 대해서는 조금 떨어짐
BEIR 전체 테스크에 대한 nDCG score
결과
•
Limit
◦
Language : 영어데이터로만 학습해서 multilingual하지 않음
◦
long context가 항상 최적은 아님, 짧은 문맥에서는 기존 모델보다 느릴 수도 있다고 함
◦
주로 웹데이터 위주로 학습 → 내재된 편향이 있을 수 있음
◦
MLM 목적 함수로 학습 → [MASK] 토큰을 대체할 단어를 예측하는 과정에서 일부 텍스트를 generate하는 능력이 있음
▪
그럼 이상하게 생성할 수 있음
▪
유해 콘텐츠의 위험성 존재
◦
해당 논문은 데이터 규모, 아키텍처 개선 위주였음
▪
scaling axis, model param 측면의 확장은 다루지 않았음
▪
즉 모델크기를 키워서 한 실험은 없다는 뜻
개인 평
•
우선 기존 512 token 위주에서 8192 token으로 되었다는 것으로 Long Context에 대해 처리할 수 있음을 보였다는 것
◦
이 때문에 현재 많은 embedding model들이 modernBERT 기반, XLM-RoBERTa 기반으로 되어가고 있음
•
또한 "code"에 대한 임베딩의 시작?이라고 볼 수 있는듯
Pa
Suscribirse a 'Paperl'
Si te suscribes al sitio, podrás recibir primero las últimas novedades, como nuevas publicaciones, mediante notificaciones y correo electrónico.
¡Regístrate en Slashpage y suscríbete a 'Paperl'!
¡Regístrate en Slashpage y suscríbete a 'Paperl'!
Suscribirse
