論文：Adversarial Training for Large NeuralLangUageModels

源碼：https://github.com/namisan/mt-dnn

TL;DR

本文把對抗訓(xùn)練用到了預(yù)訓(xùn)練和微調(diào)兩個階段，對抗訓(xùn)練的方法是針對embedding space，通過最大化對抗損失、最小化模型損失的方式進(jìn)行對抗，在下游任務(wù)上取得了一致的效果提升。

有趣的是，這種對抗訓(xùn)練方法不僅能夠在BERT上有提高，而且在RoBERTa這種已經(jīng)預(yù)訓(xùn)練好的模型上也能有所提高，說明對抗訓(xùn)練的確可以幫助模型糾正易錯點。

方法：ALUM（大型神經(jīng)語言模型的對抗性訓(xùn)練）

實現(xiàn)：在embedding space添加擾動，最大化對抗損失

應(yīng)用：任何基于Transformer的語言模型的預(yù)訓(xùn)練或微調(diào)

預(yù)備知識

BPE編碼

為了解決詞匯表外單詞的問題，使用Byte-Pair Encoding（BPE）（Sennrich et al.，2015）或其變體（Kudo and Richardson，2018）將標(biāo)記劃分為子詞單元，生成固定大小的子詞詞匯，以便在訓(xùn)練文本語料庫中緊湊地表示單詞。

BPE詞表既存在char-level級別的字符，也存在word-level級別的單詞。通過BPE得到了更加合適的詞表，這個詞表可能會出現(xiàn)一些不是單詞的組合，但是這個本身是有意義的一種形式。

流程：

確定subword詞表大小

統(tǒng)計每一個連續(xù)字節(jié)對的出現(xiàn)頻率，并保存為code_file。這個是git中l(wèi)earn-bpe完成

將單詞拆分為字符序列并在末尾添加后綴“ ”，而后按照code_file合并新的subword，首先合并頻率出現(xiàn)最高的字節(jié)對。例如單詞birthday，分割為['b', 'i', 'r', 't', 'h', 'd', 'a', 'y']，查code_file，發(fā)現(xiàn)'th'出現(xiàn)的最多，那么合并為['b', 'i', 'r', 'th', 'd', 'a', 'y']，最后，字符序列合并為['birth', 'day']。然后去除'',變?yōu)閇'birth', 'day']，將這兩個詞添加到詞表。這個是apply-bpe完成。

重復(fù)第3步直到達(dá)到第2步設(shè)定的subword詞表大小或下一個最高頻的字節(jié)對出現(xiàn)頻率為1

模型：ALUM

基于幾個關(guān)鍵想法：

擾動embedding空間，優(yōu)于直接對輸入文本應(yīng)用擾動。

通過虛擬對抗訓(xùn)練為標(biāo)準(zhǔn)目標(biāo)添加正則化項。

其中預(yù)訓(xùn)練階段 ，微調(diào)階段

因為有最大化操作，所以訓(xùn)練昂貴。有利于embedding鄰域的標(biāo)簽平滑。

文中觀點：

虛擬對抗訓(xùn)練優(yōu)于傳統(tǒng)對抗訓(xùn)練，特別是當(dāng)標(biāo)簽可能有噪聲時。

例如，BERT pretraining使用masked words作為自監(jiān)督的標(biāo)簽，但在許多情況下，它們可以被其他詞取代，形成完全合法的文本。但BERT中，給到被替換的word的標(biāo)簽均為負(fù)。

算法

首先使用標(biāo)準(zhǔn)目標(biāo)（1）訓(xùn)練模型；然后使用虛擬對抗訓(xùn)練（3）繼續(xù)訓(xùn)練。

第4-6行為求最大梯度步驟，以找到使對抗性損失最大化的擾動（反局部平滑性）。K越大的近似值越高，但成本更高。為了在速度和性能之間取得良好的平衡，本文實驗K=1.

泛化與魯棒性

文中表示，通過使用ALUM進(jìn)行對抗性的預(yù)訓(xùn)練，能夠提高廣泛的NLP任務(wù)的泛化和魯棒性（如后述實驗結(jié)論所示）。之前的研究較多發(fā)現(xiàn)，對抗訓(xùn)練會損害泛化能力。

先前關(guān)于泛化和魯棒性之間沖突的工作通常集中在有監(jiān)督的學(xué)習(xí)環(huán)境中。調(diào)和兩者的一些初顯成果也利用了未標(biāo)記的數(shù)據(jù)，例如自訓(xùn)練（Raghunathan等人，2020年）。

此外，假設(shè)通過擾動embedding空間而不是輸入空間，NLP中的對抗訓(xùn)練可能無意中偏向于流形擾動而不是規(guī)則擾動。

什么是流形

流形學(xué)習(xí)的觀點：認(rèn)為我們所觀察到的數(shù)據(jù)實際上是由一個低維流形映射到高維空間的。由于數(shù)據(jù)內(nèi)部特征的限制，一些高維中的數(shù)據(jù)會產(chǎn)生維度上的冗余，實際上這些數(shù)據(jù)只要比較低的維度的維度就能唯一的表示。

所以直觀上來講，一個流形好比是一個d維的空間，在一個m維的空間中（m>d）被扭曲之后的結(jié)果。需要注意的是流形不是一個形狀，而是一個空間。舉個例子，比如說一塊布，可以把它看成一個二維的平面，這是一個二維的空間，現(xiàn)在我們把它扭一扭(三維空間),它就變成了一個流形，當(dāng)然不扭的時候，它也是一個流形，歐氏空間是流形的一種特殊情況。

實驗

提升泛化能力

BERT BASE是使用與Devlin等人相同的設(shè)置訓(xùn)練的標(biāo)準(zhǔn)BERT base模型。（即1M步，batch size = 256）。

BERT+BASE與BERT BASE相似，不同之處在于其訓(xùn)練步數(shù)為1.6M，與對抗預(yù)訓(xùn)練所需時間大致相同（ALUM BERT-BASE）。

ALUM BERT-BASE是一個BERT模型，使用與BERT BASE相同的設(shè)置進(jìn)行訓(xùn)練，但最后的500K步驟使用ALUM。每一個對抗訓(xùn)練步驟大約比標(biāo)準(zhǔn)訓(xùn)練步驟長1.5倍。

可以觀察到后500k加了ALUM后提升明顯。

提升魯棒性

結(jié)合對抗預(yù)訓(xùn)練和對抗微調(diào)

之前都是在預(yù)訓(xùn)練階段做的對抗，ALUM RoBERTa-LARGE-SMART在預(yù)訓(xùn)練和微調(diào)階段均做對抗。

結(jié)論

提出了一種通用的對抗性訓(xùn)練算法ALUM：

對抗預(yù)訓(xùn)練可以顯著提高泛化能力和魯棒性。

ALUM大大提高了BERT和RoBERTa在各種NLP任務(wù)中的準(zhǔn)確性，并且可以與對抗微調(diào)相結(jié)合以獲得進(jìn)一步的收益。

未來的發(fā)展方向：

進(jìn)一步研究對抗性預(yù)訓(xùn)練在提高泛化和魯棒性方面的作用；

對抗性訓(xùn)練加速；

將ALUM應(yīng)用于其他領(lǐng)域。

責(zé)任編輯：xj

原文標(biāo)題：【微軟ALUM】當(dāng)語言模型遇到對抗訓(xùn)練

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。