ACL’22 | 为大模型定制的数据增强方法FlipDA，屠榜六大NLU 数据集！

文 | ZenMoore
编 | 小轶

今天由一篇清华大学发表于 ACL'22 的最新论文说起，一起探讨一下：大模型时代，我们该如何进行数据增强？

大家可能都多少了解一些传统的数据增强方法，比如回译、对抗生成等等。但考虑到这些方法提出的年份较早，它们只在一些传统的（如今看来比较弱的）基准模型上证明有效。而且，大多数据增强的工作也都只针对一些比较简单的任务场景进行实验，比如简单的句子分类任务。

时过境迁，在如今大模型当道的时代背景下，我们可能得重新审视一下现有的数据增强方法。要知道，这些大规模语言模型性能远超传统模型；它们在简单的分类数据集上，刷到95%以上的准确率完全不在话下。今天要分享的这篇文章中，作者也通过实验证明了：对于大规模预训练模型，采用的传统数据增强方法最多只能获得极小的边际收益，甚至有时会使性能下降。

为此，作者想要探究：针对大规模语言模型，在较为困难的任务场景下，有什么更为有效且鲁棒的数据增强方法吗？所谓有效(effectiveness) ，就是要能显著提升性能。所谓 鲁棒(robustness)，就是要能在所有场景下都能够稳定提升。

简单来说，本文的核心观点在于：标签翻转 (label-flipped)的增强样本对大模型的性能提升最为明显。基于此，他们提出了数据增强方法 FlipDA。

标签翻转：即增强后的新样本标签与原样本的标签不同。

论文标题：
FlipDA: Effective and Robust Data Augmentation for Few-Shot Learning

论文作者：
Jing Zhou, Yanan Zheng, Jie Tang, Jian Li, Zhilin Yang

论文链接：
http://keg.cs.tsinghua.edu.cn/jietang/publications/ACL22-Zhou-et-al-FlipDA.pdf

代码链接：
https://github.com/zhouj8553/FlipDA

标签翻转的增强样本

作者首先通过人工设计了少量标签翻转 (label-flipped) 的数据样本和标签保留 (label-preserved) 的样本，然后比较两者在多个任务上的效果：

结果发现，标签翻转在多个任务上，竟然能超出将近 10 个点！虽然这部分实验只采用了一小部分人工设计的增强样本，结论有一定局限性，但显然还是值得进一步分析和研究的。

经过分析，作者认为标签保留的数据增强主要有两个问题：

(1) 数据增强导致语法错误(这一点尤其重要)

(2)数据增强导致关键信息丢失

作者认为，这是由于标签翻转的增强样本，更能够使模型学习到哪些才是文本中的关键部分。

▲标签翻转的增强样本示例

总之，基于以上实验结果和分析，作者认为可以假设：相比于标签保留的数据增强方式，标签翻转的方式更加有效且鲁棒。于是，他们根据这一假设提出了 FlipDA 的数据增强方法，并进行了大量实验分析。

FlipDA

1. 首先使用 BERT 等训练一个标签分类器
2. 然后，使用 T5 模型生成新的增强数据：将 使用类似于[1]中的 prompt 的方式拼接起来作为 input, 随机 mask 掉一些 input tokens, 使用 T5 模型预测这些 mask 从而生成新的样本(这种方法称为： Pattern-based Data Cloze)。这样，对于每个训练样本 ，可以生成一个新样本集合
3. 在分类器 的帮助下筛选新样本：对于原样本 , 我们有了新样本集 , 这个 里面包含了一些标签翻转数据(即： ), 我们分类器 把它们挑出来得到 。最后再挑出置信度最高的那部分 ，就是针对原样本 生成的增强样本。

实际操作中，除了标签翻转的增强数据，再加少量标签保留的增强数据也是有益的。

4. 使用原样本+增强样本重新训练分类器。

实验

实验任务

实验主要在 FewGLUE([1], 也就是 SuperGLUE 的 few-shot 版本) 上进行。包含 question answering, textual entailment, co-reference resolution, causal reasoning and word sense disambiguation 等 7 项任务。

Baseline

1. 同义词替换：使用 WordNet 中的同义词替换
2. KNN 替换：使用 GloVe 选择最相似的单词之一进行替换
3. EDA(Easy Data Augmentation) : 同时使用同义词替换、随机插入、随机置换、随机删除
4. 回译(back translation)
5. TinyBERT : 使用 BERT 预测出的 token 或者 GloVe 导出的词汇进行替换
6. T5-MLM : 和本文方法大体相同，但是该方法是标签保留的数据增强，而且没有后面的筛选步骤
7. MixUP : 在特征空间进行增强（如采用特征空间中两个样本之间的线性插值）

模型

1. ALBERT-xxlarge-v2
2. DeBERTa-xxlarge-v2

评测指标

1. 有效性：accuracy，f1, em (exact-match)
2. 鲁棒性：MaxDrop (MD)

这里作者提出了 MaxDrop 专门用来衡量鲁棒性:

对于多个任务 、待测方法 method 以及 baseline :

这个值越小，代表模型越鲁棒。

对比实验

可以看到，FlipDA 方法无论在有效性上还是鲁棒性上都有 SOTA 的性能。

消融实验

FlipDA 主要核心是下面两步：

1. Pattern-based Data Cloze：本文采用该方法生成增强样本。
2. 使用分类器进行数据筛选。

下面分别进行消融实验：

可以看到，

1. Pattern-based Data Cloze 在所有任务上都是有效的，因为它可以有效减少语法错误，更加兼容标签翻转方式。
2. 分类器筛选在大多数任务上有效，但是对于下面这些任务或增强样本生成方式，需要另外的思考：
• 使用 BT (回译)数据进行增强，缺少数据多样性，使用分类器筛选会进一步降低多样性，因此不一定有效
• 对于词义消歧或者因果推理任务，因为需要预测多个 tokens, 所以生成标签翻转数据会更加困难一些，也不一定有效。

另外，标签翻转+标签保留相比于只使用标签保留的数据增强具有更好的效果：

标签翻转的方向

标签翻转的方向也是需要考虑的点，比如对于是否类的问答任务，生成答案为“否”的数据相对更加容易一些。但是，只有同时具有多个方向的标签翻转增强数据，才更有可能超越 baseline 的性能。

样本选择策略

1. Default : 即上文所述的样本选择方法。
2. Global TopK : 选择概率最大的前 K 个样本
3. Global TopP : 选择概率大于阈值 P 的样本
4. Diverse TopK : 先在每个原样本对应的增强样本中选择 top-1, 然后依次选择 top-2, top-3 等等，一直选到 top-k，这个策略主要出于原样本上的数据平衡的考量。

实验表明，默认策略或者 Diverse TopK 更好一些。

写在后面

不得不说，这种标签翻转的数据增强方法，其实和对比学习多少有些神似。只不过，前者是在数据端进行对比增强，后者更多的是在损失端进行对比增强。

也许，这会给我们发扬光大对比学习思想带来新的启发~ 也会促进我们思考更加适配于大模型的一些训练、数据增强策略。

萌屋作者：ZenMoore

北航本科生🧐，爱数学爱物理爱 AI🌸 想从 NLP 出发探索人工认知人工情感的奥秘🧠🤖！个人主页🌎 zenmoore.github.io 知乎🤔 ZenMoore, 微信📩 zen1057398161 嘤其鸣矣，求其友声✨！

作品推荐

1. 一文跟进Prompt进展！综述+15篇最新论文逐一梳理
2. 图灵奖大佬+谷歌团队，为通用人工智能背书！CV 任务也能用 LM 建模！
3. 以4%参数量比肩GPT-3！Deepmind 发布检索型 LM，或将成为 LM 发展新趋势！？

后台回复关键词【入群】

加入卖萌屋NLP、CV与搜推广与求职讨论群

后台回复关键词【顶会】

获取ACL、CIKM等各大顶会论文集！

 

[1] T. Schick and H. Schutze. It’s not just size that matters: Small language models are also few-shot learners. ArXiv, abs/2009.07118, 2021