GPT-3的最强落地方式？陈丹琦提出小样本微调方法，比普通微调提升11%_具体地:首先

2021-01-10 18:21:55

作者 | JayLou娄杰

这次解读的论文来自陈丹琦团队，一作曾是清华特奖得主@高天宇；借鉴GPT-3的核心思想，探索小样本微调方法。

2020年引领NLP社区的GPT-3[1]在众多语言理解任务中展现了惊人能力。GPT-3 仅仅通过一个自然语言提示（prompt）和少量的任务示例就可以作出正确的预测，值得注意的是：这一过程不需要更新预训练模型的参数权重。

虽然GPT-3表现惊艳，但有一点很明显：拥有1750亿参数（如此重量）在真实世界也是很难应用！更何况，据说GPT-4会有上万亿参数？

哎，GPT-3落地还是比较困难啊～

不过，就在2020年最后一天12月31日，陈丹琦团队发表了最新力作《Making Pre-trained Language Models Better Few-shot Learners》。

本文研究了一个更符合实际场景的小样本学习问题：1）可以在普通硬件资源上访问中等大小的语言模型（如RoBERTa）；2）可以通过少量样本进行微调。

其实，自BERT等预训练语言模型诞生以来，本身就降低了对大规模标注数据量的需求；此外，获得少量的标注样本（比如每个类别16个样本），对我们也是很容易的。

因此，我们可以试想一下：如果能基于小样本对语言模型微调就能获得不俗表现，是不是极具现实意义呢？（boss再也不用担心标注成本啦～）

这不，丹琦女神团队借鉴GPT-3思想（引入提示和样本示例），提出了一种基于语言模型的小样本微调方法（LM-BFF），该方法在低资源设置下，比普通的标准微调方法最高提升30%、平均提升11%！提升如此明显，LM-BFF也有两种“贴切”解释：

• better few-shot fine-tuning of language models（正经一些）

• languagemodels’bestfriendsforever （俏皮一些）

本篇专栏文章，JayJay就以QA形式和大家分享丹琦团队是如何构建小样本微调框架的。

论文地址：https://arxiv.org/pdf/2012.15723.pdf

Github开源：https:// github.com/princeton-nlp/LM-BFF

 

Q1: 小样本微调框架是怎样的？

LM-BFF就是一套针对小样本进行微调的简单技术，主要包括两部分：

1. 基于提示（prompt）进行微调，关键是如何自动化生成提示模板；

2. 将样本示例以上下文的形式添加到每个输入中，关键是如何对示例进行采样；

LM-BFF的基本方式如上图所示，红框部分就是提示模板，蓝框部分就是额外的样本示例。

 

Q2：为什么要通过「提示模板」构建MLM任务呢？

在普通的标准微调方法中（如上图b所示），新参数的数量（独立于原始预训练模型外的参数）可能会很大，例如基于RoBERTa-large的二分类任务会新引入2048个参数，会使从小样本（如32个标注数据） 中学习变得困难。

为解决这一问题，LM-BFF借鉴masked language model (MLM) 方式（如上图a所示），将下游任务直接转化为MLM任务，即：通过语言模型对「提示模板」进行“自动补全”。这也是论文所称的「基于提示的微调方法」。

具体地：首先构建如上图的提示模板，[MASK]包含在提示模板中；然后对[MASK]预测，预测输出是标签词（label words），与具体标签建立映射关系：例如，标签positive对应单词great，标签negative对应单词terrible。

值得注意的是：上述方法重新使用了预先训练的参数权重，并且没有引入任何新参数来进行微调。同时还减少了微调和预训练之间的差距，这可以更有效地用于小样本场景。

 

Q3:为何「提示」选择如此重要、又很困难？

由上述分析，我们可以得知「提示」由两部分构成：

1. 模板T：例如It was [MASK] 。

2. 标签词映射M(y)：即[MASK]位置预测输出的词汇集合，与真实标签y构成映射关系。例如，标签positive对应单词great，标签negative对应单词terrible。

在基于提示的微调方法中，不同的模板和标签词选择其实对最终结果影响很大，如上图所示：

• 使用相同「标签词」，即使对「模板」进行较小改动（如删除标点）也会呈现不同结果；

• 使用相同「模板」，不同的「标签词」效果不一样，例如cat/dog和dog/cat就不同了，而互换great和terrible指标则会大幅下降。

上述「模板」是根据人工直觉设计的，可以更好的完成相关类似任务。但是，找到一个合适的、正确的「提示」，既需要专业知识、又需要对语言模型内部的运作方式有着充分的理解。

其实，针对不同任务，就人工手动设计提示「模板」或者「标签词」，是一件费力不讨好的事情，因为人工模板也不一定奏效～ 因此，我们应该试图去自动化构建提示：自动构建一种与任务无关的廉价方法。

BUT！「提示」的搜索空间很大，尤其是「模板」。这很容易理解，毕竟模板千千万，选择哪个很费劲～此外，当只有少量标注数据进行模板搜索时，很容易导致过度拟合。

综上所述：「提示」选择虽然很重要，但自动化构建却很难。论文针对这一点提出了有效方法。

 

Q4：如何自动化构建「提示」？

自动化构建「提示」分为「标签词」和「模板」的构建。自动化构建的目的是削减人工设计「提示」的工作，并找到超越手动构建的「最佳提示」。

1、自动化选择「标签词」

自动化构建「标签词」，即固定模板、选择最佳的标签词映射关系M，使得在验证集的分类准确率最高。

由于「标签词」搜索空间随着类别数目呈指数增加，LM-BFF采用一种简单的搜索策略：

第一步：通过未经微调的预训练模型，对于训练集中的每一个类别，选择top-k的单词使得条件概率最大：

第二步：综合每个类别下的候选标签词，然后找出使得训练集正确率最大的top-n个分配方式；

第三步：通过对dev集微调，从n个分配方式中选择最佳的一个标签词，构建标签映射关系M。

2、自动化选择「模板」

自动化构建「模板」，即固定标签词构建模板。LM-BFF使用Google提出的T5模型[2]进行解码，从而生成模板。

T5基于多种无监督目标进行预训练，其中最有效的一个无监督目标就是：利用<X>或<Y>替换一个或多个连续span，然后生成对应输出。例如：在“Thank you <X>me to your party <Y>week ”，T5会在<X>生成“for inviting ”、在<Y>生成“last ”。

很显然，T5这种方式很适合生成模板，不需要指定模板的token数目。具体，依然利用<X>或<Y>作为mask tokens，1种可能的输入方式为：

然后我们就可以基于T5去填充占位符<X>和<Y>，生成提示模板T。生成的模板应该是训练集中的输出概率最大化。具体的模板生成过程如下图所示：

论文采用柱搜索来解码生成多个候选模板，然后对每一个候选模板利用dev集微调、选择其中一个最佳模板。

尽管在每个模板上微调模型似乎很昂贵，由于训练集较小，这与手动生成提示模板并进行调整相比：这种方式在实践中是快速的、完全自动化的。

 

Q5：如何基于「样本示例」进行微调？

在GPT-3中，是从训练集中随机抽取32个示例，以上下文的形式添加到每个输入中的；这种方式的缺陷在于：

• 样本示例的数量会受到模型最大输入长度的限制；

• 不同类型的大量随机示例混杂在一起，会产生很长的上下文，不利于模型学习。

LM-BFF采用2种简单的方式进行了改进：

1. 对于每个输入，从每个类别中随机采样一个样本示例，最终将所有类别下的采样示例进行拼接输入；

2. 对于每个输入，在每个类别中，通过与Sentence-BERT进行相似度计算、并从排序得分的top50%中随机选择一个样本示例。

 

Q6：实验结果：LM-BFF性能如何？

为验证LM-BFF的有效性，论文在8个单句、7个句子pair任务上进行了小样本验证（每个类别下，采取15个标注样本），实验采用RoBERTa-large模型。

首先介绍进行对比的各个方法：

• Majority：使用训练集中频率最高的类别最为result；

• Prompt-based zero-shot：零样本设置，使用手动设计的模板、并不引入额外的样本示例；

• “GPT-3” in-context learning：零样本设置，使用手动设计的模板，与GPT-3相同，从训练集中随机抽取示例，以上下文的形式添加到每个输入中。

• Fine-tuning：小样本设置，标准微调方式，引入新的参数。

• Fine-tuning(full)：使用全量的标注数据进行标准微调；

• Prompt-based FT(man)：本文微调方法，使用人工手动设计的提示模板；

• Prompt-based FT(auto)：本文微调方法，自动构建提示模板；

• +demonstrations：代表引入额外样本示例到上下文中；

如上图所示，我们可以发现：

1. 基于提示模板的微调方法，明显超越普通的标准微调方法；自动构建的模板能够匹敌、或者超过手动模板。

2. 利用额外的样本示例，指标可在绝大数任务上保持增益；LM-BFF方法相较于标准微调，最高可提升30%，平均提升11%。

3. 虽然在小样本条件下，LM-BFF可大幅领先标准微调，但其相较于使用全量数据的标准微调仍然落后。

此外，论文也将LM-BFF和标准微调在不同K（每个类别下的标注样本数量）下进行了比较，如上图所示。可以发现：不同K下，LM-BFF都领先标准微调。可见LM-BFF方法在小样本条件下的有效性。

 

总结

本文提出了一种简单而又有效的小样本微调方法——LM-BFF，这是一种任务无关的方式，在小样本设置下，LM-BFF超越「标准微调」平均11%（最高30%）。主要包括2部分：

• 采用提示自动构建方式来进行「基于模板的微调方法」。

• 动态选择样本示例，作为输入的上下文。

但LM-BFF也有以下缺陷：

1. LM-BFF仍落后基于全量标注数据的标准微调方法（PS：废话，数据目前还是越多好～）

2. LM-BFF自动构建提示的方法虽然有效，但扩展搜索空间在现实应用中仍是一个巨大挑战；

3. LM-BFF仅支持几种特定的任务：1）能自然转化为「空白填空」问题，如结构化预测的NER任务可能就不适合；2）句子输入不要太长；3）不要包含过多的类别；其中2）和3）可以在长距离语言模型中进行改善。

 

参考文献

[1] Language models are few-shot learners

[2] Exploring the limits of transfer learning with a unified text-to-text trans- former.