文 | python

前言

隨著GPT-3等超大模型的興起，in-context learning 的形式也流行起來(lái)。在in-context learning中，模型不根據(jù)下游任務(wù)調(diào)整參數(shù)，而是將下游任務(wù)的輸入輸出接起來(lái)之后作為prompt，引導(dǎo)模型根據(jù)測(cè)試集的輸入生成預(yù)測(cè)結(jié)果。該方法的表現(xiàn)可以大幅超越零監(jiān)督學(xué)習(xí)，并給大模型高效運(yùn)用提供了新的思路。

然而，in-context learning中，模型真的學(xué)習(xí)了下游任務(wù)么？作為prompt的訓(xùn)練樣本，到底是如何讓模型work的？

本文作者發(fā)現(xiàn)，in-context learning學(xué)習(xí)的并不是輸入與標(biāo)注之間的關(guān)聯(lián)，而是通過(guò)展示數(shù)據(jù)形式，來(lái)激活預(yù)訓(xùn)練模型的能力。此外還有兩個(gè)附帶的結(jié)論：(1)在meta learning的環(huán)境下，in-context learning的這一特點(diǎn)更為明顯；(2)因?yàn)闃?biāo)簽不重要，所以可以用無(wú)標(biāo)注領(lǐng)域內(nèi)數(shù)據(jù)做in-context zero shot learning。

論文題目：
Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?

論文鏈接：
https://arxiv.org/abs/2202.12837

項(xiàng)目地址：
https://github.com/Alrope123/rethinking-demonstrations

背景

大規(guī)模預(yù)訓(xùn)練模型的無(wú)監(jiān)督預(yù)測(cè)：對(duì)預(yù)訓(xùn)練好的語(yǔ)言模型，輸入測(cè)試數(shù)據(jù)的輸入（x），直接通過(guò)語(yǔ)言模型預(yù)測(cè)輸出（P(y|x)）。如下圖所示。其中minimal是最簡(jiǎn)單的方式，mannual是加入人工設(shè)計(jì)的部分。藍(lán)色是需要預(yù)測(cè)的標(biāo)簽部分。這篇論文中，作者默認(rèn)采用Minimal的方式處理測(cè)試數(shù)據(jù)。

而in-context learning，類似于上述的無(wú)監(jiān)督預(yù)測(cè)，但在輸入測(cè)試樣例前輸入少量標(biāo)注數(shù)據(jù)。同樣不需要參數(shù)調(diào)整，直接訓(xùn)練。相當(dāng)于在無(wú)監(jiān)督預(yù)測(cè)的基礎(chǔ)上，引入如下前綴：

而本文主要探究的，就是in-context learning中，模型究竟從加入的這段前綴中學(xué)到了什么。

實(shí)驗(yàn)設(shè)置

本文主要探究了6種不同的預(yù)訓(xùn)練模型，其中，MetaICL采用了大量的下游任務(wù)以in-context learning的形式進(jìn)行了元學(xué)習(xí)：

對(duì)于每個(gè)模型，作者采用了兩種應(yīng)用方式，即direct和channel：

作者一共探究了26個(gè)數(shù)據(jù)集，其中16個(gè)分類任務(wù)和10個(gè)多項(xiàng)選擇任務(wù)。

在實(shí)驗(yàn)細(xì)節(jié)上，作者對(duì)于每個(gè)instance，展示了16個(gè)標(biāo)注樣例。每組設(shè)置（26個(gè)數(shù)據(jù)集6個(gè)預(yù)訓(xùn)練模型2組使用方式）用5個(gè)隨機(jī)數(shù)種子跑了5遍。作者在 airseq 13B 和 GPT-3 兩個(gè)大模型上，出于算力的考慮只做了6個(gè)數(shù)據(jù)集，和3個(gè)隨機(jī)數(shù)種子。

由于實(shí)驗(yàn)較多，作者一般僅匯報(bào)各種均值。

模型沒(méi)有學(xué)習(xí)標(biāo)簽

這篇文章的第一個(gè)結(jié)論是：in-context learning中，模型并沒(méi)有學(xué)習(xí)輸入和標(biāo)簽之間的對(duì)應(yīng)關(guān)系。

通過(guò)給in-context的訓(xùn)練樣本賦予隨機(jī)標(biāo)簽，可以構(gòu)建隨機(jī)標(biāo)注的設(shè)置。從下圖中可以看出，無(wú)論是分類任務(wù)（上），還是多項(xiàng)選擇任務(wù)（下），隨機(jī)標(biāo)注設(shè)置下（紅）模型表現(xiàn)均和正確標(biāo)注（黃）表現(xiàn)相當(dāng)，且明顯超過(guò)沒(méi)有in-context樣本的zero-shot 設(shè)置（藍(lán)）。

這一點(diǎn)趨勢(shì)，在改變隨機(jī)標(biāo)簽的in-context樣本比例，以及改變in-context樣本數(shù)量時(shí)，都是保持的。選用人工設(shè)計(jì)的in-context展示形式（prompt），結(jié)論也不發(fā)生改變。

下圖調(diào)整的是改變隨機(jī)標(biāo)簽的in-context樣本比例。

下圖左邊是Channel MetaICL，右邊是 Direct GPT-J，K調(diào)的是展示樣例的數(shù)目。

下圖+T表示采用人工設(shè)計(jì)的in-context展示形式。

模型學(xué)習(xí)任務(wù)形式

這篇文章的第二個(gè)結(jié)論是：in-context learning中，模型學(xué)到（激活）了輸入數(shù)據(jù)、預(yù)測(cè)標(biāo)簽的分布，以及這種數(shù)據(jù)+label的語(yǔ)言表達(dá)形式。

下圖中，青綠色的柱子為用（從外部語(yǔ)料中）隨機(jī)采樣的句子替換輸入句子的設(shè)置。可以看到，模型表現(xiàn)明顯下降。因此，in-context learning中，展示樣本和測(cè)試樣本在語(yǔ)料分布上的一致性比較中央。猜測(cè)模型很可能學(xué)到了展示樣本的語(yǔ)言風(fēng)格。

下圖中，青綠色的柱子為用隨機(jī)詞匯替代展示樣本中的標(biāo)簽。可以看到，模型表現(xiàn)明顯下降。因此，in-context learning中，展示樣本中的標(biāo)簽內(nèi)容與測(cè)試樣本的標(biāo)簽內(nèi)容的一致性是比較重要的。猜測(cè)模型很可能從展示樣本中學(xué)到了標(biāo)簽詞匯的分布。

下圖中，分別用labels only（深紫）和no labels（深綠）來(lái)探索展示模式的差異對(duì)模型表現(xiàn)的影響。可以看到，模型相對(duì)于上面兩圖的OOD setting而言，都有了進(jìn)一步的下降。這可以表明，除了領(lǐng)域內(nèi)，輸入和標(biāo)簽表達(dá)方式之外，in-context learning中模型還會(huì)學(xué)習(xí)這種輸入輸出的語(yǔ)言模式。

總結(jié)與討論

模型有沒(méi)有學(xué)習(xí)？

作者認(rèn)為，傳統(tǒng)意義上的學(xué)習(xí)指模型建模輸入樣本和輸出樣本之間的關(guān)聯(lián)（P(y|x)或P(x,y)∝P(x|y)）。在這種意義下，in-context learning并沒(méi)有學(xué)習(xí)。

然而，模型可以通過(guò)展示樣例，中的輸入、輸出、及輸入+輸出的語(yǔ)言表達(dá)風(fēng)格來(lái)提升表現(xiàn)。在一定程度上，這種利用前綴輸入激活大模型語(yǔ)言表達(dá)建模能力的方式也算是一種學(xué)習(xí)。

因此，這也表明：

大模型零監(jiān)督能力遠(yuǎn)超預(yù)期

畢竟，學(xué)習(xí)表達(dá)形式、語(yǔ)言風(fēng)格與標(biāo)簽形式，不需要標(biāo)注數(shù)據(jù)的參與。大模型潛在地就具有了這種（分類）能力。

當(dāng)然，反過(guò)來(lái)，也表明了in-context learning的局限在于，它不能真正建模輸入和輸出之間的關(guān)系，因此在一些輸入輸出之間的關(guān)系必然沒(méi)有被無(wú)監(jiān)督預(yù)訓(xùn)練任務(wù)所建模的下游任務(wù)而言，in-context learning很可能失效。

不過(guò)，看起來(lái)目前大多數(shù)傳統(tǒng)NLP的任務(wù)都不會(huì)滿足上述“失效”設(shè)定。

額外的一點(diǎn)啟示

這篇文章的一作 Sewon Min 近期創(chuàng)作了很多相關(guān)主題的高質(zhì)量工作，包括：

• Noisy Channel Language Model Prompting for Few-Shot Text Classification ~ https://arxiv.org/pdf/2108.04106.pdf

• MetaICL: Learning to Learn In Context ~ https://arxiv.org/pdf/2110.15943.pdf

平時(shí)有些同學(xué)做了很多實(shí)驗(yàn)，一到寫論文就什么實(shí)驗(yàn)結(jié)果都想往論文里放。這里還是可以學(xué)習(xí)一下 Sewon Min。這三篇文章arxiv的時(shí)間跨度只有6個(gè)月，很多實(shí)驗(yàn)甚至是有overlap的，基本可以判斷為一作同時(shí)在做的幾項(xiàng)工作。作者從不同的角度去分割了這些實(shí)驗(yàn)，以不同的匯報(bào)方式，講出了三個(gè)故事，每個(gè)故事看起來(lái)都完整且獨(dú)立，看起來(lái)就很棒。

萌屋作者：python

北大畢業(yè)的NLP博士。日常寫點(diǎn)論文，碼點(diǎn)知乎，刷點(diǎn)leetcode。主要關(guān)注問(wèn)答、對(duì)話、信息抽取、預(yù)訓(xùn)練等方向。力扣國(guó)服第一python選手（經(jīng)常掉下來(lái)）。知乎 ID 是 Erutan Lai， leetcode/力扣 ID 是 pku_erutan，歡迎沒(méi)事常來(lái)逛逛。

作品推薦

恕我直言，你的實(shí)驗(yàn)結(jié)論可能嚴(yán)重依賴隨機(jī)數(shù)種子！

AllenAI 發(fā)布萬(wàn)能問(wèn)答系統(tǒng) MACAW！各類題型樣樣精通，性能大幅超越 GPT-3！

后臺(tái)回復(fù)關(guān)鍵詞【入群】

加入賣萌屋NLP、CV與搜推廣與求職討論群

后臺(tái)回復(fù)關(guān)鍵詞【頂會(huì)】

獲取ACL、CIKM等各大頂會(huì)論文集！

總結(jié)

以上是生活随笔為你收集整理的恕我直言，你的模型可能并没看懂 prompt 在说啥的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。