机器学习中的小样本学习一个问题，何为小样本？

本文首发于公众号“夕小瑶的卖萌屋”。

大家好，我是Severus，一个在某厂做中文自然语言理解的老程序员。

这个主题，源自于我之前在公司内做的一次技术分享。承接上一篇文章（格局打开，带你解锁 prompt 的花式用法），我想要继续分享一下，我们后续尝试的实验及分析，以及我对小样本的看法。

简单回顾一下

在我的上一篇 promt 推文中，我介绍到，我是用 prompt 做一个工业级的细粒度应用，即解语-NPTag：
https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/text_to_knowledge/nptag

在这个项目的实验过程中，考虑到，这个模型发布之后，用户可能会有定制化的需求。所以，我们也想要实验一下，能否快速定制该模型，

于是，我们就手动设置了一个定制实验：删除掉训练样本中所有的“博物馆”类，然后重新训练，得到一个模型。然后，我们使用这个模型直接去预测被删掉的样本，注意，这时模型是从来没有见过“博物馆”类样本的，神奇的是，在这2000多个样本的“博物馆”集合上，模型预测正确达75%。

这个结果本身很是让我震惊，我顺便也分析了一些错误 case。我们发现，case 中绝大多数是样本后缀不为“博物馆”的，比如“天文馆”、“文化馆”等；另有一些更加神奇的 case 则是，模型预测出了“大学博物馆”、“遗址博物馆”等更加细粒度的类别。

那么，我们可以说，模型具备了零样本学习的能力吗？

的确，博物馆类别的样本，模型从来没有见过，但是，与之相似的样本，模型真的没有见过吗？不，实际上，NPTag的样本中，有大量的样本类别，实际上就是样本的后缀。那么我们有理由相信，实际上，我们给了模型充分的提示，让模型能够分辨出，符合名词后缀的语义。

基于这种假设，在另一个挖掘模型（在之前的萌屋文章评论区，笔者看到，有的小伙伴提问：为什么 Prompt-tuning 不敢做信息抽取任务呢？别着急，这不就来了么？）研发过程中，我们针对性设计了一个实验，输入一个小说的描述句，同时抽取出小说的作者和小说类型，例如：

《烟雨剑歌》是连载于塔读文学的网络小说，作者是枕言。

其中，“网络小说”和“枕言”就是我们的目标，需要将二者同时抽出来。不出所料，仅需500个样本，即可达到95%的测试精度，同时我们也在测试过程中，发现了类似的 case：

《袖揽蓝颜》是一部连载于红袖添香网的言情类小说，作者是不懂的还是不懂。

上述样本中，ground truth 给的是“网络小说”（即我们原本数据的标签是网络小说），而模型预测出了“言情小说”，作者预测的也是对的。

那么，我们觉得，我们似乎摸到了一个东西的门槛，即某一任务下，样本的高效描述方法，我称之为样本的模式。

样本的模式？什么鬼？

模式在维基百科上的定义是：存在于人们感知到的世界、人造设计或抽象思想中的规律。在我的定义中，则是任务之下，样本的一种归组方式，可以将无限的数据按照一些任务下的规律，归组为有限的组合，而在构造样本集的时候，仅需覆盖所有的组合，即可认为构造了完备的样本。

所以，我一直在强调，样本与问题空间的关系。首先，我想和大家做一个小实验。

请大家和我一起想象一下，你的面前有一只鸟，这只鸟长什么样子？我想大多数的人和我一样，最直接想象到的形象，是麻雀的样子，可能外国人想到的是知更鸟的样子，体型不大， 身上有花纹、羽毛，长着翅膀，会飞，当然也会有一些小伙伴联想到鹰这种体型稍大的鸟。我们心中，“鸟”的原型可能就是这样，具备了一些绝大多数鸟类拥有的典型的特征，而形成了一种模式。

我们再想象一只不一样的鸟，可能我们就会去想鹰之类的大型鸟，这样做多几轮，可能我们逐渐就会想起孔雀、鸵鸟、家禽等长得不是那么典型的鸟。

其实，不知道大家有没有想到，企鹅也是鸟。

那么，在认知科学中，上述的思考过程，大致可以说是原型模型和样例模型。我们在记忆某一类概念，所感知到的东西的对应关系时，会将我们见到的东西抽象存储，抽象的结果即是原型，在面对一些匹配问题的时候，我们则可以快速将见到的东西和脑中的原型匹配，做出判断。当然也会有一部分不那么“典型”的感知信号，也要作为这一类别的对应，这些可能就作为样例而存在。

实际上，训练深度学习模型，我们也是希望模型最终能够学到，数据真实的原型的。而现在指导模型的方式，一定程度上，也是在模拟教小孩子的过程。那么问题来了，人类是通过小样本习得原型的吗？

人类能否通过一张图学会辨识一个物种？

如果是一个新生儿，能否仅仅通过一张图片，就大致认识一个物种呢？

比如，我们给一个新生儿看下面这张图，并且告诉他，这张图是马，他能否学会“马”是什么样子的呢？

读者朋友们可能本能地就会告诉我，这有什么难的，这张图里面就只有一个动物，其他的都是背景，甚至这张照片里面这个动物就处在焦点位置，你说这个是马，当然就是焦点位置的那个东西了。

但是，朋友们，不要忘了，天空、草地等作为背景板，马是个动物，甚至摄影构图的焦点，这些知识早已存在于你的脑海之中，但是对于新生儿来讲，这是一个完全空白的事情，对于一个新模型来讲亦然。

那么，请各位想一下，在不利用其他的任何知识的情况下，仅仅利用上述信息（这张图片是马），请问，你能否分辨，下面两张图片，哪张是马？

右图和上面给出的图片尚有共性，左图从视觉上看，不说是有共性吧，起码是没啥关系，是吧？如果按照人类概念形成的方式来看，是否与上图有更大相似点的右图会被认作是马呢？

所以，即便是人类，也难以通过小样本习得原型，而人类习得原型，起码需要：

• 注意力的指导
• 足够的模式覆盖

而具备了某一类问题中原型的人类，由于已经具备了抽取原型的能力，且脑海中有相应的原型去匹配，才得以具备在同类问题下，进行小样本扩展的能力。

在前面，我们讨论了，对于训练一个空白的模型，模式覆盖完全的样本的重要性。当然，如果模型的能力够强，训练的方法得当，那么每一种模式下，样本的量级反倒可能不需要那么大。而同时，小样本的前提则应该是，模型已经具备了目标任务，或与目标任务相似的原型，并且模型本身也具备灵活的扩展能力，方能 work。

那么回归到 prompt 的那个实验。实际上，我所作的扩展，看似是类别标签，或抽取要素的扩展，实则，我新增的所有样本，都是在我已定义好的任务模式之下的。即高度一致的上下文，或名词性短语的后缀，模型本质做的，还是生成任务，或者知识查询任务。

而 prompt 能在当前的小样本中拔得头筹，也是因为使用 prompt 的任务形式，和预训练任务是一致的，且使用 prompt 询问的知识，绝大多数也是在预训练过程编码了的，实际上也是同模式下的扩展。而我们也能看到，即便是 prompt，面对小样本任务，模式 OOD 的情况依旧是难以解决的。所以小样本归小样本，仍旧要覆盖完全目标问题空间的所有模式。

怎样描述样本模式

前面说了这么多，模式仍旧是一个看上去虚无缥缈的东西。怎么样去描述它，依旧是一个难题。

不过实际上，前辈们也已经做了很多的努力，试图去找到方法，优化数据。

基于统计的表示方法

深度学习时代，由于 DNN 模型实际上是表示学习模型，那么就有一个很直观的想法，任务模型的最终表示就可以当作是样本的表示。例如分类任务下，同一类别下的样本，训练过程中，其最终的表现一定是趋向于相似。于是，最简单的一种近似推定样本模式的方式，则是样本聚类分析。

我们可以将聚簇的结果分为纯簇、多数类簇、杂簇、低覆盖簇、未覆盖簇和散点6种情况，除散点一般照顾不到外，另外5种情况，都会有一些处理办法：

• 纯簇：即簇内所有样本都是一个类别。不用说，特征相当集中，直接采样就行了，且当前模型之下可以聚成纯簇，说明该簇内样本本身难度不大，或者可以说模式不复杂
• 多数类簇：即簇内所有样本不一定是一个类别，但某一类别占比具有绝对优势（例如99+%，随应用而定）。这种簇里面其实就可以看看里面的少数类样本，是不是标错了，或者是不是边缘样本，可以直接扔掉
• 杂簇：即簇内有多个类别，且各个类别的占比不具备优势。这种簇大概率是边缘样本，可能是在任务定义上，存在边界划分不清的地方，也可能是单纯簇的数量太多，可以对该簇重新聚类，观察效果，根据应用决定处理方案
• 低覆盖簇：后面的两种情况，是已标注样本与未标注的大规模数据混合聚簇的情况，通常在工业里面，我们会用这种方式检查样本的覆盖情况，以及决定是否需要扩充样本。低覆盖指的是，已标注样本在簇内占比较小，不过已标注的样本也可分为上述三种情况讨论
• 未覆盖簇：簇内全都是未标注样本，则也是重点需要覆盖的一批。如果模型学得比较好，簇内看上去模式集中，则可直接抽取覆盖，但如果看着也很散，也可以随机抽取一部分样本，标注后假如训练，迭代模型，进而迭代聚类结果

除模型的直接表示外，另外也有工作试图通过样本在模型训练中间的表现，用来衡量样本的模式，例如样本的遗忘事件，样本对模型更新参数的贡献等（具体参见往期推文：我删了这些训练数据…模型反而表现更好了！？）。另外就是数据集蒸馏，也就是将大规模的数据蒸馏到小规模的人工数据上。

不过我们发现，基于统计的方法，实际上都存在前提：即需要有相对较大规模的已标注样本，才能够利用 DNN 模型统计出来，并且，统计方法有其适用场景限制——其只适用于问题边界划分清楚，样本特征集中的场景。若问题边界难以界定清楚，或特征过于离散，或任务之下，样本单独的表示难以计算（如序列标注任务），则难以使用统计的方法。

基于符号知识的表示方法

实际上，针对自然文本数据，我们在试图探索一种，基于符号知识的表示方法。

首先，NLP 的基础问题是：从无结构的序列中预测有结构的语义，其通用目标则是，降低文本空间描述的复杂度。我们知道，描述自然文本空间，天然存在的问题是：词汇的数量是无限的，组合起来更是会爆炸。所以我们需要去基于一些相似度量，找到文本空间的描述方法。

当然，现在的 NLP 领域，已经有了类似的大杀器，即预训练语言模型（PTMs）。PTMs 通过其大规模的参数量，以及训练数据量，包含了绝大多数的统计共现知识，看上去，这个问题我们似乎是有解的。

但是，首先，PTMs 学到的表示我们没办法干涉或扰动，而如果想要利用 PTMs 学到的表示，如我前文所说，还是需要同任务模式之下方可。但，MLM 系列的表示非常复杂，难以计算；而[CLS]等全局观察位，或训练任务比较简单（BERT/ALBERT），或根本没有训练目标（RoBERTa），其表示在无任务监督的情况下没有意义。

同时，统计共现中，也会存在因训练语料中，分布的偏差，而导致对一些文本建模不好，也会有覆盖不到的东西。所以，在统计共现之外，我们同样需要一种与之互补的方式，去描述文本空间，即符号知识。

我们在理解语言的时候，使用到的知识，包括了脑海中存储的世界知识（事实知识），同时也包括了语言本身的通用知识。世界知识自不必说，目前知识图谱是形式化描述它的主流方式，而在我们面对描述未知事实的文本时，主要发挥作用的则是通用知识，只是通用知识是怎么样描述的，目前尚未有定论。

在英语中，文本的结构化解析可说是相当成熟，从词性，到语法结构、语义角色等，有非常好的结构化建模方法，或着说符号描述方法。早期的各种知识挖掘任务，使用不同层次的结构化解析结果，加上若干规则及特例，即可做出比较好的效果，可以说，在英语里面，这一套是很成熟的。

但，汉语的 NLP 研究路线，几乎都是照搬自英语。英语的解析方法非常符合英语的语言特性，但和汉语的语言特性就存在一定的不适应之处：

• 英语本身更偏屈折语，注重形合，依靠词形变化、连接词等显示的形式标记连词成句，词性、句法特征强。且其单词的词性与在句子中扮演的成分一一对应。
• 中文更偏孤立语（无词形变化），注重意合，依靠次序和词之间的意义联系成句，词性、句法特征弱。

那么，中文的词汇没有形态变化，词的兼类现象严重。在中文里，如果把句子成分和词的词性对应，则一个词可能会有多个词性（类有定职则词无定类）；如果将一个词固定为一个词性，则该词性的功能不稳定（词有定类则类无定职）。因此，中文不能效仿WordNet，以词性划分为组织。

那么实际上，在机器学习中，我们是没有既成的体系以供参考的。

不过，对此，中文语言学的前辈们早已给出了属于中文的答案：凡本身能表示一种概念者，叫做实词；凡本身不能表示一种概念，但作为语言结构的工具者，叫做虚词。实词的分类，当以概念的种类为根据；虚词的分类，当以其在句中的职务为根据。 所以，我们可以以语义词类划分实词，以词性划分虚词，组织一套用于中文的，稳定的，词类划分体系，将文本空间无限的词汇归组到有限的词类上，将词汇序列转换成词类序列。

谈到这个，你想要体验我上面所提到，专为中文而生的解析体系吗？那就不得不再次提一下我的项目——解语啦！

项目链接：
https://www.paddlepaddle.org.cn/textToKnowledge

甚至可以挖掘词类之间的关系、词之间的关系，实现文本的结构化表示，甚至文本的框架（明斯基提出的知识框架理论）表示，用以建模文本空间。

而到了任务上，我们也可以使用不同层次的表示，与任务的目标相对应，用以组织任务样本的模式。例如，NER 任务中，可以使用上下文的词、词类组合，也可以使用答案的成分推断等；SPO 挖掘任务中，则可以根据已有的表示，抽象出 predicate 的触发词/触发句式，用以表示样本的模式；主题分类任务则更为简单，可能仅需要部分词/词类/词类组合对应类别即可；推断任务/相似性任务则可以直接比对语义结构。

而有了符号知识（实际上也是人的先验知识）的帮助，我们则也可以从零样本开始启动一个任务，真正做到使用规则搞定标的过来的，使用模型搞定标不过来的，结合上面提到的基于统计的方法，形成一个正向的迭代循环。

谈一谈任务的定义

在我的上一篇推文（Google掀桌了，GLUE基准的时代终于过去了？）中，我提到，通用基准任务定义，本来是应该根据其要考察的人工认知能力，系统化地定义出来的。而实际上，扩展开来，任务定义，应当是根据其所要应用的场景（或想要衡量的能力），抽象出相应的问题空间，再根据问题空间，总结模式，收集数据，从而定义具体的任务。当然，最大的前提是，这个问题得是算法能够解决的。而每当有“灵光一现”时，都应当按照上述标准检视一下，否则仅会增加一个无用的基准，误导广大的研究者。

很遗憾，很多基准任务都是这个样子的，例如，在我的“NLP 反卷宇宙”里出场率极高的 SPO 挖掘任务。当然，最近的 CUGE 数据集论文我简要扫了一眼，发现里面出现了数学推理这一神奇任务，当然现在先按下不表，后面我可能直接开一篇新的帖子吐槽。

例如，SPO 挖掘任务，除我之前经常吐槽的数据质量问题外，其存在的另一个根本问题则在于—— schema 定义问题。仍是以之前提过的数据集为例：人物类和组织机构类之间，P 的定义只有“董事长”、“创始人”、“校长”三个，而没有其他的东西。那么按照我们前文所说，如以句式为模式，来看待这个任务，那么同一个表达，我们将“董事长”替换为“秘书长”，则正例就会变为负例，数据的偏置，势必给模型造成困惑。而如果以应用来看待这个任务，SPO 挖掘本身是为了构建图谱，而残缺不全的关系定义，最终能发挥什么作用呢？

而本篇的主题——小样本则尤甚。小样本的各类任务，妄图使用个位数的样本数量，去比拼效果。不过，个位数的样本，怎么可能概括问题的空间。实际上，小样本的效果相比于满样本，绝大多数存在大幅的性能损失，然而，其研究互相之间，进入了“比谁的没有那么烂”的循环。而归根到底，大家认为这种小样本可行，无非是 GPT-3 和 prompt 发挥的作用。

甚至出现了专门用于评测小样本的“通用”基准——FewCLUE，雷区蹦迪了属于是。

可是别忘了，GPT-3 的生成任务，或 prompt 的小样本，包括 Google 提出的 MoE 小样本模型（更加包罗万象了，毕竟 MoE 甚至可以多任务头，做任务级的迁移指导），其大前提仍旧在于，这些小样本任务本身的模式，早已在预训练阶段编码到了模型之中，上述技巧无非是想办法将这些东西抽取出来而已，而面对数据、模式等的未知，又如何能指望小样本呢？（人能不能通过一句话学会一门语言？能不能通过一次对决学会围棋？能不能通过听一首曲子学会乐理？）

不过，虽然纯小样本不可取，不过也正如前文所说，单一样本模式下，是可以尝试做到样本规模相对小一些的。我们提出样本模式的目标，也就是为了让构造样本更加简单，同时也是为了能够去降低样本的规模，用更少量的样本逼近更好的效果，或许它如果真的实现了，对通用预训练也是更大的促进呢。