文 | ZenMoore
編 | 小軼

今天由一篇清華大學發表于 ACL'22 的最新論文說起，一起探討一下：大模型時代，我們該如何進行數據增強？

大家可能都多少了解一些傳統的數據增強方法，比如回譯、對抗生成等等。但考慮到這些方法提出的年份較早，它們只在一些傳統的（如今看來比較弱的）基準模型上證明有效。而且，大多數據增強的工作也都只針對一些比較簡單的任務場景進行實驗，比如簡單的句子分類任務。

時過境遷，在如今大模型當道的時代背景下，我們可能得重新審視一下現有的數據增強方法。要知道，這些大規模語言模型性能遠超傳統模型；它們在簡單的分類數據集上，刷到95%以上的準確率完全不在話下。今天要分享的這篇文章中，作者也通過實驗證明了：對于大規模預訓練模型，采用的傳統數據增強方法最多只能獲得極小的邊際收益，甚至有時會使性能下降。

為此，作者想要探究：針對大規模語言模型，在較為困難的任務場景下，有什么更為有效且魯棒的數據增強方法嗎？所謂有效(effectiveness) ，就是要能顯著提升性能。所謂 魯棒(robustness)，就是要能在所有場景下都能夠穩定提升。

簡單來說，本文的核心觀點在于：標簽翻轉 (label-flipped)的增強樣本對大模型的性能提升最為明顯。基于此，他們提出了數據增強方法 FlipDA。

標簽翻轉：即增強后的新樣本標簽與原樣本的標簽不同。

論文標題：
FlipDA: Effective and Robust Data Augmentation for Few-Shot Learning

論文作者：
Jing Zhou, Yanan Zheng, Jie Tang, Jian Li, Zhilin Yang

論文鏈接：
http://keg.cs.tsinghua.edu.cn/jietang/publications/ACL22-Zhou-et-al-FlipDA.pdf

代碼鏈接：
https://github.com/zhouj8553/FlipDA

標簽翻轉的增強樣本

作者首先通過人工設計了少量標簽翻轉 (label-flipped) 的數據樣本和標簽保留 (label-preserved) 的樣本，然后比較兩者在多個任務上的效果：

結果發現，標簽翻轉在多個任務上，竟然能超出將近 10 個點！雖然這部分實驗只采用了一小部分人工設計的增強樣本，結論有一定局限性，但顯然還是值得進一步分析和研究的。

經過分析，作者認為標簽保留的數據增強主要有兩個問題：

(1) 數據增強導致語法錯誤(這一點尤其重要)

(2)數據增強導致關鍵信息丟失

作者認為，這是由于標簽翻轉的增強樣本，更能夠使模型學習到哪些才是文本中的關鍵部分。

▲標簽翻轉的增強樣本示例

總之，基于以上實驗結果和分析，作者認為可以假設：相比于標簽保留的數據增強方式，標簽翻轉的方式更加有效且魯棒。于是，他們根據這一假設提出了 FlipDA 的數據增強方法，并進行了大量實驗分析。

FlipDA

首先使用 BERT 等訓練一個標簽分類器

然后，使用 T5 模型生成新的增強數據：將使用類似于[1]中的 prompt 的方式拼接起來作為 input, 隨機 mask 掉一些 input tokens, 使用 T5 模型預測這些 mask 從而生成新的樣本(這種方法稱為：Pattern-based Data Cloze)。這樣，對于每個訓練樣本 ，可以生成一個新樣本集合

在分類器 的幫助下篩選新樣本：對于原樣本 , 我們有了新樣本集, 這個 里面包含了一些標簽翻轉數據(即：), 我們分類器 把它們挑出來得到

402 Payment Required

。最后再挑出置信度最高的那部分 ，就是針對原樣本 生成的增強樣本。

實際操作中，除了標簽翻轉的增強數據，再加少量標簽保留的增強數據也是有益的。

使用原樣本+增強樣本重新訓練分類器。

實驗

實驗任務

實驗主要在 FewGLUE([1], 也就是 SuperGLUE 的 few-shot 版本) 上進行。包含 question answering, textual entailment, co-reference resolution, causal reasoning and word sense disambiguation 等 7 項任務。

Baseline

同義詞替換：使用 WordNet 中的同義詞替換

KNN 替換：使用 GloVe 選擇最相似的單詞之一進行替換

EDA(Easy Data Augmentation) : 同時使用同義詞替換、隨機插入、隨機置換、隨機刪除

回譯(back translation)

TinyBERT : 使用 BERT 預測出的 token 或者 GloVe 導出的詞匯進行替換

T5-MLM : 和本文方法大體相同，但是該方法是標簽保留的數據增強，而且沒有后面的篩選步驟

MixUP : 在特征空間進行增強（如采用特征空間中兩個樣本之間的線性插值）

模型

ALBERT-xxlarge-v2

DeBERTa-xxlarge-v2

評測指標

有效性：accuracy，f1, em (exact-match)

魯棒性：MaxDrop (MD)

這里作者提出了 MaxDrop 專門用來衡量魯棒性:

對于多個任務 、待測方法 method 以及 baseline :

402 Payment Required

這個值越小，代表模型越魯棒。

對比實驗

可以看到，FlipDA 方法無論在有效性上還是魯棒性上都有 SOTA 的性能。

消融實驗

FlipDA 主要核心是下面兩步：

Pattern-based Data Cloze：本文采用該方法生成增強樣本。

使用分類器進行數據篩選。

下面分別進行消融實驗：

可以看到，

Pattern-based Data Cloze 在所有任務上都是有效的，因為它可以有效減少語法錯誤，更加兼容標簽翻轉方式。

分類器篩選在大多數任務上有效，但是對于下面這些任務或增強樣本生成方式，需要另外的思考：

• 使用 BT (回譯)數據進行增強，缺少數據多樣性，使用分類器篩選會進一步降低多樣性，因此不一定有效

• 對于詞義消歧或者因果推理任務，因為需要預測多個 tokens, 所以生成標簽翻轉數據會更加困難一些，也不一定有效。

另外，標簽翻轉+標簽保留相比于只使用標簽保留的數據增強具有更好的效果：

標簽翻轉的方向

標簽翻轉的方向也是需要考慮的點，比如對于是否類的問答任務，生成答案為“否”的數據相對更加容易一些。但是，只有同時具有多個方向的標簽翻轉增強數據，才更有可能超越 baseline 的性能。

樣本選擇策略

Default : 即上文所述的樣本選擇方法。

Global TopK : 選擇概率最大的前 K 個樣本

Global TopP : 選擇概率大于閾值 P 的樣本

Diverse TopK : 先在每個原樣本對應的增強樣本中選擇 top-1, 然后依次選擇 top-2, top-3 等等，一直選到 top-k，這個策略主要出于原樣本上的數據平衡的考量。

實驗表明，默認策略或者 Diverse TopK 更好一些。

寫在后面

不得不說，這種標簽翻轉的數據增強方法，其實和對比學習多少有些神似。只不過，前者是在數據端進行對比增強，后者更多的是在損失端進行對比增強。

也許，這會給我們發揚光大對比學習思想帶來新的啟發~ 也會促進我們思考更加適配于大模型的一些訓練、數據增強策略。

萌屋作者：ZenMoore

北航本科生🧐，愛數學愛物理愛 AI🌸 想從 NLP 出發探索人工認知人工情感的奧秘🧠🤖！個人主頁🌎 zenmoore.github.io 知乎🤔 ZenMoore, 微信📩 zen1057398161 嚶其鳴矣，求其友聲?！

作品推薦

一文跟進Prompt進展！綜述+15篇最新論文逐一梳理

圖靈獎大佬+谷歌團隊，為通用人工智能背書！CV 任務也能用 LM 建模！

以4%參數量比肩GPT-3！Deepmind 發布檢索型 LM，或將成為 LM 發展新趨勢！？

后臺回復關鍵詞【入群】

加入賣萌屋NLP、CV與搜推廣與求職討論群

后臺回復關鍵詞【頂會】

獲取ACL、CIKM等各大頂會論文集！

?

[1] T. Schick and H. Schutze. It’s not just size that matters: Small language models are also few-shot learners. ArXiv, abs/2009.07118, 2021

總結

以上是生活随笔為你收集整理的ACL’22 | 为大模型定制的数据增强方法FlipDA，屠榜六大NLU 数据集！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。