恒源云_训练一个专门捣乱的模型

文章来源 | 恒源云社区(专注人工智能/深度学习云 GPU 服务器训练平台,官方体验网址:https://gpushare.com/center/

原文地址 | https://bbs.gpushare.com/topi...

原文作者 | Mathor


三位韩国人在EMNLP 2021 Findings上发表了一篇论文,名为Devil’s Advocate: Novel Boosting Ensemble Method from Psychological Findings for Text Classification,其中Devil’s Advocate有一部同名电影,翻译过来叫「魔鬼代言人」,他们主要挑战的是传统模型融合的方法,例如硬投票(Hard-Voting)、软投票(Soft Voting)、Bagging等。源码在HwiyeolJo/DevilsAdvocate

在群体决策过程中,大部分人会根据既定思维进行思考,而Devil’s Advocate是指那些提出的意见与大多数人不一致的那个人,Devil’s Advocate的存在可以激发群体的头脑风暴,打破固化思维。以上内容参考维基百科恶魔的代言人

ENSEMBLES

在具体讲解作者的方法前,先简单过一下常见的模型融合方法

Soft Voting

软投票是对不同模型的预测分数进行加权平均,例如有一个三分类问题,第一个模型对某个样本的预测概率为[0.2,0.1,0.7];第二个模型对该样本的预测概率为[0.2,0.6,0.2];第三个模型对该样本的预测概率为[0.1,0.7,0.2],假设三个模型的投票权重均为\( \frac{1}{3}\)则该样本最终的预测概率为
恒源云_训练一个专门捣乱的模型_第1张图片
所以最终这个样本被预测为第2类。不过事实上很多时候模型有好有坏,所以我们的权重不一定是平均的,对于模型比较厉害的模型,我们会给他比较大的话语权(投票权重)

Hard Voting

硬投票可以看作是软投票的一个变种,还是以上面三个模型预测的概率分布为例。第一个模型预测样本为第2类,第二、三个模型都认为样本是第2类,根据少数服从多数原则,该样本就被认为是第2类

Bagging

Bagging方法的核心思想是「民主」。首先从训练集中有放回地随机采样一些样本,采样n次,训练出n个弱模型,利用这n个模型采用投票的方式得到分类结果,如果是回归问题则是计算模型输出的均值作为最后的结果

Boosting

Boosting的核心思想是「挑选精英」。Boosting与Bagging最本质的区别在于它对弱模型不是一致对待的,而是经过不停的考验和筛选来挑出「精英」,然后给精英更多的投票权,表现不好的模型则给较少的投票权

PROPOSED METHOD: DEVIL’S ADVOCATE

Training Norm and DevAdv models

无论你是用什么方法做模型融合,至少都需要2个以上的模型。作者提出的方法至少需要3个模型,这些模型会被分成两个阵营:Normal models 、Devil’s Advocate model (DevAdv)

首先我们使用传统的Cross Entropy Loss训练\( Norm _n \)模型
image.png
其中,\( Y_{Norm_n}\)是\( Norm _n \)模型的预测值,\( \mathbf{Y}_{\text{true}}\)是真实标签。与训练模型相反的是,我们需要随机生成与真实标签不相交的错误标签来训练DevAdv模型(不相交指的是没有任何一个样本的错误标签和真实标签相同),生成的错误标签为\( Y_{false} \),DevAdv模型的损失函数定义如下:
image.png
由于DevAdv模型是用错误标签训练出来的,所以该模型充当了「魔鬼代言人」的角色,不同意其他模型的预测分布。特别地,我们可以通过检查\( arg\min(Y_{DevAdv}) \)是否为真实标签来评估DevAdv模型的性能

注意上面的函数是\( \arg \min \),不是\( \arg \max \),因为\( \arg \max \)求很明显预测结果大部分是\( Y_{false} \),但如果真实类别被预测的概率为最小,即通过\( \arg \min \)取到,我们就认为DevAdv非常会捣乱

Group Discussion: Fine-tuning

我看到这个标题的时候感觉很奇怪,这又不是预训练模型,怎么会有Fine-tuning阶段?仔细看了他们的代码之后才明白,他这个名字起的不好,不应该叫Fine-tuning,应该叫为Discussing或者Ensembles,即模型融合阶段。具体来说,之前我们已经把所有的模型都训练一遍了,接下来我们需要把DevAdv引入进来再训练一遍\( Norm _n \)模型。特别地,当前阶段只会更新\( Norm _n \)模型的参数,DevAdv模型的参数不会进行更新

给我一种感觉就像是:“DevAdv,你已经学会如何抬杠了,快去干扰\( Norm _n \)他们的讨论吧”

对于\( Norm _n \)模型来说,此时的损失函数比较特殊
恒源云_训练一个专门捣乱的模型_第2张图片
只有DevAdv模型的输出进行了归一化,\( Norm _n \)模型不进行归一化,目的是为了使得\( Norm _n \)预测的分布值远大于归一化的DevAdv的值。在CE Loss中,DevAdv模型阻止\( Norm _n \)模型对真实标签进行正确拟合。但在「Discuss」过程中,即使有DevAdv模型的干扰,\( Norm _n \)模型最终也能正确预测真实标签,主要有以下几个原因:

  1. DevAdv模型在该阶段是不更新参数的,因此它相当于变成了一个固定的噪声生成器。\( Norm _n \)模型的参数是会随着损失进行调整的,所以肯定效果会慢慢变好,这是可以预见的
  2. 非常特别的一点在于损失。\( Norm _n \)模型在「Discuss」的过程中会互相影响、学习其他Norm models的信息

最后,对测试集进行测试时,采用软投票的机制组合\( Norm _n \)模型的结果。然后…然后就结束了吗?我们辛辛苦苦训练的DevAdv仅仅只是在「Discuss」阶段提供点噪声吗?来点作用啊DevAdv。仔细想一想,最开始在训练DevAdv模型的时候,我们评估它的指标是
image.png
我们将\( Y_{DevAdv} \)内的值全部取负数,并将\( \arg \min \)改为\( \arg \max \),它的结果仍然没变
image.png
但此时我们就可以让DevAdv一同参与到\( Norm _n \)模型的测试过程中了,其实就相当于三个模型共同进行软投票,此时预测结果为
image.png

RESULTS

这本质是一个模型融合的方法,理论上来说所有模型都是适用的。首先我们看一下消融研究
恒源云_训练一个专门捣乱的模型_第3张图片
其中比较重要的去掉了DiscussLoss的部分,何谓DiscussLoss,其实就是\( Norm _n \)模型相互讨论的阶段,即\( \text{MSE} \)损失。去掉这部分后,除了Yelp数据集有些反常居然上升了,其他的都有不同程度的下降。同时作者证明他们的方法可以使用超过3个模型的情况,例如最后一行,他们使用了4个模型,其中有3个正常模型,一个DevAdv,效果虽然不如使用3个模型的情况(第一行),但是比常规的软投票还是要好一些,特别地,此时他们使用KL散度来替代MSE损失

接着作者分别采用TextCNN和基于Transformers的模型(论文里就没写到底用的是BERT还是RoBERTa等,如果直接用transformer不太可能,seq2seq的模型如何做分类?)做了一组实验
恒源云_训练一个专门捣乱的模型_第4张图片
基本上作者所提出的方法都要比软投票好一些,不过我特别好奇的是硬投票,以及其他的一些模型融合方法为什么不对比下呢?

个人总结

首先我要吐槽的是作者的美感,原论文中的数学公式写的非常丑,基本上感觉是直接用\text{}框住然后乱写一通,这里截个图给大家感受下
恒源云_训练一个专门捣乱的模型_第5张图片
其次是上图中我红框框出来的部分(下面没有用红框框住的公式也一样),我觉得它这个公式写错了,漏了个\( Softmax \),可以对比我这篇文章里的公式和他论文中的公式。最后是我觉得比较有意思的地方,因为单看「Discuss」的过程,DevAdv在里面充当的只是捣乱的角色,那为什么我不可以直接采样一个服从\( N(0,σ^2 ) \)的向量分布呢,用这个分布直接替换掉\( Y_{DevAdv}\) ,直到我看到了公式(6),我才明白DevAdv不仅仅是充当一个噪声生成器,实际上在最后Inference阶段,它也可以一起参与进来,而这一点是单纯采样一个向量分布所无法做到的。作者在他的文章中并没有做鲁棒性测试,实际上我觉得引入Devil’s model误导模型训练的过程是可以增加模型的鲁棒性的

你可能感兴趣的