文 | Willie_桶桶
編 | 智商掉了一地

針對機器翻譯領域如何提高和判斷實驗可信度，這篇ACL2021的oustanding paper邁出了關鍵的一步！（來讀！全文在末尾）

作為不停讀論文和調參煉丹的科研黨，也許在我們的身邊總會出現這樣類似的對話:

案例1: xxx博士不講武德，竟然讓我把一部分測試集加入到訓練集里面去，這是在公然蔑視學術道德?

案例2: 嘿嘿，調了調句子的最大長度，評測性能終于刷上去了。

案例3: 哇靠，那個人在作弊，baseline用BERT，自己的模型竟然用BERT-Large。

案例4: 就這個指標比SOTA好，其他幾個指標都不行，要不就貼好的指標吧，老天保佑reviewer不要發現這個漏洞。

案例5: 單模態的性能也太強了吧，這讓多模態效果怎么發論文？還是隨便跑跑baseline，把性能調低點。

案例6: 調了一上午的參數，這次效果終于比SOTA強了，趕緊記錄一下，順便保存好checkpoint。

案例7: 這論文寫的評測代碼竟然是錯的，我說性能怎么比我復現的好那么多。

案例8: 剛剛發郵件詢問作者為啥引用我的實驗效果那么低，他竟然說抄錯了。

隨著AI領域的持續火熱，越來越多的同學在"想方設法"地設計算法來刷新任務性能，并產出了一篇篇精妙絕倫的論文。相關領域會議投稿量呈現出爆炸式地增長，然而投稿論文的質量參差不齊，作為一個普通投稿人，如何設計實驗以更加有說服力地證明提出方法的有效性；以及作為一個審稿人，如何快速判斷這篇論文提出的算法是否可(guan)信(shui)，是值得深思的問題。針對機器翻譯領域如何提高和判斷實驗可信度，下面這篇ACL2021的oustanding paper邁出了關鍵的一步！

論文標題
Scientific Credibility of Machine Translation Research: A Meta-Evaluation of 769 Papers

論文鏈接
https://aclanthology.org/2021.acl-long.566.pdf

1 背景

過去10年間涌現了大量提升機器翻譯性能的算法，這些算法通過與前人的模型對比自動評測指標，比如BLEU分數值，來凸顯其性能。隨著論文報告的分數值越來越高，我們不禁要問，這些論文的評測方式真的有說服力嗎？算法真的有效嗎？整個社區是朝著良性的方向發展，還是灌水之風日漸嚴重？

為了回答以上問題，本文評估了過往10年間(2010 ~ 2020)發表在ACL相關會議的769篇機器翻譯領域論文，著重對論文評測進行了分析，包括：

• 評價指標的多樣性

• 統計顯著性檢驗

• 直接復制前人實驗結果

• 數據劃分和預處理

基于分析結果，本文揭露了造成可疑評估的一個個陷阱，反映出當前社區正在朝著令人擔憂的方向發展。

2 令人失望的評估結果

通過對769篇論文的評估，作者揭露了當前機器翻譯評測中令人擔憂的4個陷阱。

2.1 稱霸機器翻譯的BLEU

上圖展示了10年間各種評價指標在機器翻譯論文中所占的比重，BLEU以壓倒性的優勢成為了最熱門的評價指標，幾乎99%的論文都用它來衡量算法的優越性，而其他改進的評測指標則逐漸被學者們忽視。眾所周知，BLEU作為一種自動評價指標存在一些缺陷，它僅僅能反應出模型某些特定方面的優勢，所以有很多工作致力于研究更加合理的自動評測指標。

然而，一個很諷刺的現象是：過去10年間有超過108種改進的評測指標，其中很多更容易使用并且表現出比BLEU更加契合人類的評測模式，比如chrF，但大部分從未被人使用過；長此以往，這些自動評測的研究還有存在的意義嗎？

為了說明僅僅依賴一種評價指標來衡量翻譯模型性能是不充分的，作者統計了多種提交至WMT20的模型，使用BLEU和chrF評測指標的排名情況，結果如下表所示。

從表中可以看出，使用BLEU作為評價指標時，NiuTrans系統是 → 賽道中排名第一的模型，而當使用chrF指標時，Tohoku-AIP-NTT系統要優于NiuTrans系統。這反映出僅使用BLEU是無法準確得出某個模型更優的結論，機器翻譯社區應該鼓勵使用更優的評價指標來作為BLEU的補充或者替代品。

2.2 被遺忘的統計顯著性檢驗

統計顯著性檢驗是一種確保實驗結果并非巧合的標準方法。在機器翻譯領域，統計顯著性檢驗早已被用于自動評測指標中，即評估兩個機器翻譯系統之間評測分值的差異是否巧合。直觀上，這個檢測能更加有說服力地反映算法的有效性，但近十年來使用該檢驗的論文越來越少。

上圖展示了各年ACL相關會議論文中使用統計顯著性檢驗的比例。從圖中我們可以發現，人們越來越不喜歡使用這個檢驗，即使它可以顯著的提升論文可信度，導致這種現象出現的原因是有更好的提升可信度的方式，還是因為論文頁數限制而無法添加多余實驗(xin xu)呢?

此外，作者設計了另一組驗證實驗來說明，統計顯著性檢驗結果與自動評測指標提升幅度沒有直接的聯系。在實驗中，Custom 1操作指的是將模型輸出中的最后一句替換為空白行，Custom 2操作對應將模型輸出中最后一句替換為重復同一個詞10k次的句子。

實驗結果如上表所示，其中第一行表示各系統提交到WMT20的原始結果。觀察表中結果可以發現，Custom 2操作會導致BLEU和chrF指標分值的劇烈下降，但在統計顯著性檢驗實驗中，并沒有發現任何系統要明顯優于其他的系統。

2.3 一直copy一直爽

隨著NLP論文爆發式的增長，直接復制前人報告的實驗結果進行對比，是一種省時又省力的方式，在機器翻譯領域亦是如此。

上圖是近10年間，各年直接復制前人實驗結果進行對比的論文比重。越來越多的論文更加傾向于直接復制實驗結果而不是復現相關實驗，這在2015年以后顯得尤為明顯；拷貝結果的確可以省時省力，但引發的問題是：那些論文是否提供了足夠信息，以確保它取得的分值和前人報告的結果具有可比性。

那么，稍微對模型輸出進行處理會造成性能的差異嗎？作者設計了一組實驗，測試被科研人員廣泛使用的后處理方式對性能的影響。針對模型輸出結果進行后處理的操作包括：是否完全小寫化、是否標點規范化、是否進行tokenize處理。實驗結果如上表所示，不同的后處理方式對自動評測結果有很大的影響，比如進行完全小寫化處理，可以將Tohoku-AIP-NTT系統在 → 賽道和Volctrans系統在 → 賽道的評測BLEU值分別提高1.4和1.6，這在翻譯領域可謂是顯著的提升。

2.4 評測中數據的"藝術"

數據集通常被分為訓練集、驗證集和測試集，以用于模型學習和評測，不同的數據預處理方式可以帶來各種“期待”的結論。機器翻譯領域論文大多提出新算法以提高翻譯準確度（因變量），而評測新的算法對因變量的影響時，需要保持其他所有自變量（例如數據集）不變，否則無法保證算法性能的可信度。

那么實際情況又是怎樣的呢？作者統計了近十年進行性能對比卻使用不同數據的論文比例，結果如上圖所示。十年來，越來越多的論文在進行對比實驗時使用了不一致數據，在這種設定下，我們無法判斷出性能的提升到底是因為算法的優越還是數據的"藝術"。

為了說明數據的"藝術"對性能的影響，作者設計了一組對比實驗，評估各種被廣泛使用的數據預處理方式對結果造成的影響，包括數據最大長度、是否Truecase處理、過濾其他語言文本噪音、刪減1個語料。實驗結果如上表所示，簡單地改變數據集中句子的長度或者進行Truecase操作，都會導致各種評價指標和顯著性檢驗結果劇烈波動，所以要真正凸顯算法的有效性，保證數據一致性是不可或缺的。

3 反擊灌水的攻與防

通過評估近10年769篇ACL相關會議論文，本文發現了當前機器翻譯領域普遍存在的4個陷阱，并且給出了關于如何增強論文可信度以及判別論文結果的指導方案。

針對提高論文結果可信度，需要：

• 不應該僅使用BLEU作為評測指標，也需要結合其他更加合適的自動評測指標及人工評測。

• 無論自動評測指標分值提高有多大，都應該盡量進行統計顯著性檢驗。

• 盡量不要直接拷貝別人的實驗結果，如果不可避免，要保證結果具有可比性。

• 要保證所有的數據集以及預處理方式一致。

對于評估論文實驗結果的可信度，可以通過回答以下問題進行打分(每個yes得1分，分數越高越可信):

• 是否使用了比BLEU更能與人類判斷相關聯的指標，或者進行了人工評估？(yes/no)

• 是否進行了統計顯著性檢驗？(yes/no)

• 是否為論文計算了自動度量分數而不是從其他工作中復制？如果復制，是否所有復制的和比較的分數都通過確保其可比性的工具（例如 SacreBLEU）計算得出？(yes/no)

• 如果對比的機器翻譯系統是為了凸顯算法的優越性，那么系統間是否使用了相同的數據集及預處理方式？(yes/no)

4.總結

當前對于生成任務，評價指標仍然不甚完善，各種"藝術性"操作也經常層出不窮?？磻T了身邊謎之操作的你，是否愿意支持評測規范化，加入反擊的陣營呢？

后臺回復關鍵詞【入群】

加入賣萌屋NLP/IR/Rec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！

總結

以上是生活随笔為你收集整理的聊聊机器翻译界的“灌水与反灌水之战”！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。