簡介

對抗訓練是一種引入噪聲的訓練方式，可以對參數進行正則化，提升模型魯棒性和泛化能力。

對抗訓練的假設是：給輸入加上擾動之后，輸出分布和原Y的分布一致

有監(jiān)督的數據下使用交叉熵作為損失：

半監(jiān)督數據下可計算KL散度：

擾動如何得來呢？這需要對抗的思想，即往增大損失的方向增加擾動

有監(jiān)督下：

半監(jiān)督下：

theta上面一個尖兒代表的是常數。目的是說在計算對抗擾動時雖然計算了梯度，但不對參數進行更新，因為當前得到的對抗擾動是對舊參數最優(yōu)的。不理解的同學可以自己看下偽代碼體會一下。

用一句話形容對抗訓練的思路，就是在輸入上進行梯度上升(增大loss)，在參數上進行梯度下降(減小loss)。由于輸入會進行embedding lookup，所以實際的做法是在embedding table上進行梯度上升。

接下來介紹不同的方法，后續(xù)方法優(yōu)化的主要方向有兩點：得到更優(yōu)的擾動 & 提升訓練速度

FGSM (Fast Gradient Sign Method): ICLR2015

FGSM是Goodfellow提出對抗訓練時的方法，假設對于輸入的梯度為：

那擾動肯定是沿著梯度的方向往損失函數的極大值走：

FGM (Fast Gradient Method): ICLR2017

FSGM是每個方向上都走相同的一步，Goodfellow后續(xù)提出的FGM則是根據具體的梯度進行scale，得到更好的對抗樣本：

偽代碼：

對于每個x: 1.計算x的前向loss、反向傳播得到梯度 2.根據embedding矩陣的梯度計算出r，并加到當前embedding上，相當于x+r 3.計算x+r的前向loss，反向傳播得到對抗的梯度，累加到(1)的梯度上 4.將embedding恢復為(1)時的值 5.根據(3)的梯度對參數進行更新

PGD (Projected Gradient Descent): ICLR2018

FGM直接通過epsilon參數一下子算出了對抗擾動，這樣得到的可能不是最優(yōu)的。因此PGD進行了改進，多迭代幾次，慢慢找到最優(yōu)的擾動。

引用[1]：

FGM簡單粗暴的“一步到位”，可能走不到約束內的最優(yōu)點。PGD則是“小步走，多走幾步”，如果走出了擾動半徑為epsilon的空間，就映射回“球面”上，以保證擾動不要過大

且

偽代碼：

對于每個x: 1.計算x的前向loss、反向傳播得到梯度并備份 對于每步t: 2.根據embedding矩陣的梯度計算出r，并加到當前embedding上，相當于x+r(超出范圍則投影回epsilon內) 3.t不是最后一步:將梯度歸0，根據1的x+r計算前后向并得到梯度 4.t是最后一步:恢復(1)的梯度，計算最后的x+r并將梯度累加到(1)上 5.將embedding恢復為(1)時的值 6.根據(4)的梯度對參數進行更新

可以看到，在循環(huán)中r是逐漸累加的，要注意的是最后更新參數只使用最后一個x+r算出來的梯度。

FreeAT (Free Adversarial Training): NIPS2019

從FGSM到PGD，主要是優(yōu)化對抗擾動的計算，雖然取得了更好的效果，但計算量也一步步增加。對于每個樣本，F(xiàn)GSM和FGM都只用計算兩次，一次是計算x的前后向，一次是計算x+r的前后向。而PGD則計算了K+1次，消耗了更多的計算資源。因此FreeAT被提了出來，在PGD的基礎上進行訓練速度的優(yōu)化。

FreeAT的思想是在對每個樣本x連續(xù)重復m次訓練，計算r時復用上一步的梯度，為了保證速度，整體epoch會除以m。r的更新公式為：

偽代碼：

初始化r=0對于epoch=1...N/m: 對于每個x: 對于每步m: 1.利用上一步的r，計算x+r的前后向，得到梯度 2.根據梯度更新參數 3.根據梯度更新r

缺點：FreeLB指出，F(xiàn)reeAT的問題在于每次的r對于當前的參數都是次優(yōu)的（無法最大化loss），因為當前r是由r(t-1)和theta(t-1)計算出來的，是對于theta(t-1)的最優(yōu)。

注：

1.論文中提供偽代碼，但源碼中好像對1步輸入做了歸一化論文中并沒有提到

2.個人認為可以把FreeAT當成執(zhí)行m次的FGSM，最開始r=0，第一次更新的是x的梯度，之后開始迭代更新r，則根據x+r的梯度更新參數。但代碼中有個問題是r只在最開始初始化，如果迭代到新的樣本x2，也是根據上個樣本的r進行更新的，這里我有些疑問，希望懂的大佬賜教下～

代碼：https://github.com/mahyarnajibi/FreeAdversarialTraining/blob/d70774030871fa3207e09ce8528c1b84cd690603/main_free.py#L160

YOPO (You Only Propagate Once): NIPS2019

代碼：https://github.com/a1600012888/YOPO-You-Only-Propagate-Once

YOPO的目標也是提升PGD的效率，這篇文章需要的理論知識比較雄厚，這里只簡要介紹一下。

感興趣又啃不下來原論文的同學（比如我）可以參考[9]，如有解讀錯誤歡迎指出～

極大值原理PMP(Pontryagin's maximum principle)是optimizer的一種，它將神經網絡看作動力學系統(tǒng)。這個方法的優(yōu)點是在優(yōu)化網絡參數時，層之間是解藕的。通過這個思想，我們可以想到，既然擾動是加在embedding層的，為什么每次還要計算完整的前后向傳播呢？

基于這個想法，作者想復用后幾層的梯度，假設p為定值：

則對r的更新就可以變?yōu)?/p>

我們可以先寫出YOPO的梯度下降版本：

對于每個樣本x初始化r(1,0)對于j=1,2,...,m: 1.根據r(j,0),計算p 對于s=0,1,...,n-1: 2.計算r(j,s+1) 3.另r(j+1,0)=r(j,n)

作者又提出了PMP版本的YOPO，并證明SGD的YOPO是PMP版的一種特殊形式。這樣每次迭代r就只用到embedding的梯度就可以了。

引用[9]:

雖然YOPO-m-n只完成了m次完整的正反向傳播，但是卻實現(xiàn)了m*n次梯度下降。而PGD-r算法完成r次完整的正反向傳播卻只能實現(xiàn)r次梯度下降。這樣看來，YOPO-m-n算法的效率明顯更高，而實驗也表明，只要使得m*n略大于r，YOPO-m-n的效果就能夠與PGD-r相媲美。

然而故事的反轉來的太快，F(xiàn)reeLB指出YOPO使用的假設對于ReLU-based網絡不成立：

Interestingly, the analysis backing the extra update steps assumes a twice continuously differentiable loss, which does not hold for ReLU-based neural networks they experimented with, and thus the reasons for the success of such an algorithm remains obscure.

別問了，問就是PMP，來跟我一起進入下一部份的學習。

FreeLB (Free Large-Batch): ICLR2020

FreeLB認為，F(xiàn)reeAT和YOPO對于獲得最優(yōu)r (inner max)的計算都存在問題，因此提出了一種類似PGD的方法。只不過PGD只使用了最后一步x+r輸出的梯度，而FreeLB取了每次迭代r輸出梯度的平均值，相當于把輸入看作一個K倍大的虛擬batch，由[X+r1, X+r2, ..., X+rk]拼接而成。具體的公式為：

為了方便對比，再貼下論文中PGD的公式：

FreeLB和PGD主要有兩點區(qū)別：

1.PGD是迭代K次r后取最后一次擾動的梯度更新參數，F(xiàn)reeLB是取K次迭代中的平均梯度

2.PGD的擾動范圍都在epsilon內，因為偽代碼第3步將梯度歸0了，每次投影都會回到以第1步x為圓心，半徑是epsilon的圓內，而FreeLB每次的x都會迭代，所以r的范圍更加靈活，更可能接近局部最優(yōu)：

FreeLB的偽代碼為：

對于每個x: 1.通過均勻分布初始化r，梯度g為0 對于每步t=1...K: 2.根據x+r計算前后向，累計梯度g 3.更新r 4.根據g/K更新梯度

論文中還指出了很重要的一點，就是對抗訓練和dropout不能同時使用，加上dropout相當于改變了網絡結構，會影響r的計算。如果要用的話需要在K步中都使用同一個mask。

SMART (SMoothness-inducing Adversarial Regularization)

SMART論文中提出了兩個方法：

1.對抗正則 SMoothness-inducing Adversarial Regularization，提升模型魯棒性

2.優(yōu)化算法 Bregman proximal point optimization，避免災難性遺忘

本文只介紹其中的對抗正則方法。

SMART提出了兩種對抗正則損失，加到損失函數中：

第一種參考了半監(jiān)督對抗訓練，對抗的目標是最大化擾動前后的輸出，在分類任務時loss采用對稱的KL散度，回歸任務時使用平方損失損失：

第二種方法來自DeepMind的NIPS2019[8]，核心思想是讓模型學習到的流行更光滑，即讓loss在訓練數據呈線性變化，增強對擾動的抵抗能力。作者認為，如果loss流行足夠平滑，那l(x+r)可以用一階泰勒展開進行近似，因此用來對抗的擾動需要最大化l(x+r)和一階泰勒展開的距離：

SMART的算法和PGD相似，也是迭代K步找到最優(yōu)r，然后更新梯度。

總結

把最近的一些對抗訓練方法總結出來，可以看到趨勢從“優(yōu)化PGD的速度”又回到了“找尋最優(yōu)擾動”，個人也比較認同，訓練速度慢一些對于普通模型還是可以接受的，主要還是看最終的效果有沒有提升。之前自己試過FGM和PGD，F(xiàn)GM有輕微提升，但PGD沒有，應該需要在超參數上進行調整。FreeLB和SMART在GLUE榜單上都有出現(xiàn)過，相信之后對抗訓練也是標配了，坐等微軟放出源碼。

參考文獻：

[1]. 知乎：【煉丹技巧】功守道：NLP中的對抗訓練 + PyTorch實現(xiàn)

[2]. FGSM: Explaining and Harnessing Adversarial Examples

[3]. FGM: Adversarial Training Methods for Semi-Supervised Text Classification

[4]. FreeAT: Adversarial Training for Free!

[5]. YOPO: You Only Propagate Once: Accelerating Adversarial Training via Maximal Principle

[6]. FreeLB: Enhanced Adversarial Training for Language Understanding

[7]. SMART: Robust and Efficient Fine-Tuning for Pre-trained Natural

[8]. Adversarial Robustness through Local Linearization

[9]. 知乎：加速對抗訓練——YOPO算法淺析

責任編輯：xj

原文標題：一文搞懂NLP中的對抗訓練

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。