Mixed & Stochastic Checkpoints

我们使用随机采样的句间间隔比率在C4和HugeNews上训练了一个Pegasus模型，并且随机采样重要的句子。更新后的结果在下表中报告。

dataset	C4	HugeNews	Mixed & Stochastic
xsum	45.20/22.06/36.99	47.21/24.56/39.25	47.60/24.83/39.64
cnn_dailymail	43.90/21.20/40.76	44.17/21.47/41.11	44.16/21.56/41.30
newsroom	45.07/33.39/41.28	45.15/33.51/41.33	45.98/34.20/42.18
multi_news	46.74/17.95/24.26	47.52/18.72/24.91	47.65/18.75/24.95
gigaword	38.75/19.96/36.14	39.12/19.86/36.24	39.65/20.47/36.76
wikihow	43.07/19.70/34.79	41.35/18.51/33.42	46.39/22.12/38.41 *
reddit_tifu	26.54/8.94/21.64	26.63/9.01/21.60	27.99/9.81/22.94
big_patent	53.63/33.16/42.25	53.41/32.89/42.07	52.29/33.08/41.66 *
arxiv	44.70/17.27/25.80	44.67/17.18/25.73	44.21/16.95/25.67
pubmed	45.49/19.90/27.69	45.09/19.56/27.42	45.97/20.15/28.25
aeslc	37.69/21.85/36.84	37.40/21.22/36.45	37.68/21.25/36.51
billsum	57.20/39.56/45.80	57.31/40.19/45.82	59.67/41.58/47.59

"混合与随机"模型的变化如下：

在C4和HugeNews上训练（数据集混合按照其示例数加权）。
训练1.5M次而不是500k次（我们观察到预训练困惑度收敛较慢）。
模型均匀采样15%到45%之间的句间间隔比率。
使用20%的均匀噪声对重要性得分进行句子采样。
更新了sentencepiece分词器以能够编码换行符。

(*) wikihow和big_patent数据集的数量不能进行比较，因为进行了标记化和数据上的变化：

wikihow数据集包含换行符，对于段落分割很有用，而C4和HugeNews模型的sentencepiece分词器无法编码换行符，从而丢失了这些信息。
我们更新了BigPatent数据集以保留大小写，同时还进行了一些格式清理的更改，请参考TFDS中的更改。

"混合与随机"模型的变化（与论文中的pegasus-large相比）：

在C4和HugeNews上训练（数据集混合按照其示例数加权）；训练1.5M次而不是500k次（我们观察到预训练困惑度收敛较慢）；模型均匀采样15%到45%之间的句间间隔比率；使用20%的均匀噪声对重要性得分进行句子采样；更新了sentencepiece分词器以能够编码换行符。

引用


@misc{zhang2019pegasus,
    title={PEGASUS: Pre-training with Extracted Gap-sentences for Abstractive Summarization},
    author={Jingqing Zhang and Yao Zhao and Mohammad Saleh and Peter J. Liu},
    year={2019},
    eprint={1912.08777},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

作者:

Sam Shleifer

数据集大小:

1.38 GB