1 簡介

在下游任務(wù)對大規(guī)模預(yù)訓(xùn)練模型進(jìn)行finetune已經(jīng)成為目前NLP一種流行的學(xué)習(xí)方法，然而傳統(tǒng)的finetune方法會更新預(yù)訓(xùn)練語言模型的全部參數(shù)，這種方式隨著模型尺寸跟下游任務(wù)數(shù)量的增加會變得難以承受。

于是乎，出現(xiàn)了一系列高效的更新參數(shù)的遷移學(xué)習(xí)方式，通過只更新少量模型參數(shù)來保證下游任務(wù)的效果，例如前面章節(jié)提及的prompt learning，Adapter，LoRA，BitFit等方法。

這些方法雖然有效，但他們成功的原因跟彼此之間的聯(lián)系卻不明所以，這對我們理解這些關(guān)鍵設(shè)計造成了阻礙。

在這個章節(jié)，我們介紹一篇ICLR2022相關(guān)的論文，它提出一個基于參數(shù)更新的遷移學(xué)習(xí)的統(tǒng)一框架，建立多種參數(shù)優(yōu)化方法之間的聯(lián)系，從而方便理解不同方法背后的關(guān)鍵設(shè)計，進(jìn)而設(shè)計出只更新更少參數(shù)同時取得更好效果的參數(shù)優(yōu)化方法。

2 背景

在這個篇章，我們從另一種角度去回顧之前提及的多種高效的參數(shù)優(yōu)化方法，通過一種更加抽象的方式去解析其中的原理跟細(xì)節(jié)，從而比對彼此之間的共性與差異，構(gòu)建一個統(tǒng)一的框架。

2.1 Prefix tuning

Prefix tuning會在每層transformer的多個attention的key跟value向量中插入l個用于更新參數(shù)的prefix向量，每個attention的計算公式如下，其中的Pk,Pv就是新插入的prefix向量。

圖1：prefix tuning

而等式的前半部分是不加入prefix向量的初始attention計算的公式，后半部分則是跟上下文向量C無關(guān)的部分，通過一個類似門的機(jī)制來計算前后兩部分的比重，如果用h表示原本的attention模塊輸出，那么prefix tuning的attention計算可以寫成如下形式，加入prefix的attention模塊輸出等于原本attention模塊輸出和一個的與上下文無關(guān)的增量之間的加權(quán)平均。

2.2 Adapter

Adapter方法在transformer層子模塊之間插入一些新的模塊，在Adapter內(nèi)部，它的輸入h通過矩陣乘法Wdown，先將特征維度縮小，然后通過一個非線形層f，再通過矩陣乘法Wup將特征維度放大到跟adapter輸入一樣的尺寸，最后通過一個跨層連接，將adapter的輸入跟上述結(jié)果加到一起作為最終adapter的輸出，即下圖形式。

同樣包括前面兩部分，前面部分還是原先的輸入h，而后面部分則是h的一個增量變化，但是相比prefix tuning這里用于計算的前面兩部分的權(quán)重的門的機(jī)制，同樣可以把上式改寫為以下形式。

2.3LoRA

LoRA在transformer的權(quán)重矩陣旁插入了一個低秩矩陣，用于近似權(quán)重更新，對于預(yù)訓(xùn)練模型的權(quán)重矩陣W，LoRA通過低秩分解將其表示為如下形式，其中s是一個可訓(xùn)練的參數(shù)，在形式跟LoRA極其相似，只是少了一個中間非線性運算和多了一個標(biāo)準(zhǔn)化參數(shù)s。

3.1 The unified framework

通過對上述幾種方法的抽象表示，不難發(fā)現(xiàn)這幾種方法存在一定的共性，隱藏層的最終表征都由兩部分組成，分別是原始的語言模型的輸出跟新的增量兩部分，雖然很多關(guān)鍵設(shè)計有所不同，但是這幾種方法都在學(xué)習(xí)應(yīng)用于各種隱藏表征的一個修正向量，也就是后半部分。

為了建立統(tǒng)一的框架去理解這些不同方法背后的關(guān)鍵設(shè)計，論文定義了以下四個設(shè)計維度，并分析了不同方法在這四個維度之間的差異跟聯(lián)系。

a) Functional Form，修正向量的計算方式，下圖中的第二列。

b) Modified Representation，直接調(diào)整的隱藏表征位置，作用于attetnion模塊還是FFN模塊？

c) Insertion Form，新增模塊如何插入語言模型中？序列化還是并行化？

如果輸入是語言模型的輸入，輸出是語言模型的輸出，則屬于并行化，類似于Prefix tuning，如果輸入跟輸出都是語言模型的輸出，則屬于序列化，類似于Adapter.

d)Composition Form，修正向量跟原本的隱藏層表征如何結(jié)合到一起去構(gòu)建新的隱藏層表征？

圖2：不同方法在4個設(shè)計維度下的具體信息

在提出上述統(tǒng)一的框架后，通過調(diào)整某些設(shè)計維度下的信息，論文提出了3種新的遷移學(xué)習(xí)方法的設(shè)計，具體細(xì)節(jié)可以參考下圖理解。

a)Parallel Adapter,

將prefix tuning的并行插入方式遷移到Adapter，也就是把Adapter的insertion form的屬性改成prefix tuning。

b)Multi-head Parallel Adapter

將Parallel Adapter應(yīng)用到multi head attention的位置，也就是把Parallel Adapter的modified representation的屬性改成prefix tuning。

c)Scaled Parallel Adapter

將LoRA的復(fù)合函數(shù)跟插入方式遷移到Adapter，也就是把Adapter的composition form跟insertion form的屬性改成LoRA

圖3:多種參數(shù)優(yōu)化方法結(jié)構(gòu)對比

4 實驗

為了探索不同的設(shè)計維度所隱藏的特性，以及哪些設(shè)計維度尤為重要，論文在4個不同類型的下游任務(wù)上進(jìn)行了實驗，包括文本總結(jié)，文本翻譯，文本推斷以及情感分類任務(wù)，相應(yīng)的數(shù)據(jù)集分別為XSum, en-ro, MNLI, SST2。至于語言模型的選擇，為了更貼合當(dāng)前實際，論文使用了encoder-decoder結(jié)構(gòu)的語言模型在前兩者上做實驗，而使用encoder結(jié)構(gòu)的語言模型在后兩者上進(jìn)行實驗。

a)當(dāng)下主流方法的表現(xiàn)

在文本推斷跟情感分類任務(wù)的數(shù)據(jù)集上，現(xiàn)存的幾種主流方法在只更新小于1%的參數(shù)量條件下可以達(dá)到媲美更新全部模型參數(shù)的效果，但在文本總結(jié)跟翻譯任務(wù)數(shù)據(jù)集上，即便增加要更新的參數(shù)量，這幾種參數(shù)優(yōu)化的方法距離更新全部模型參數(shù)的方法在效果上仍有一定差距。

這也說明那些宣稱可以媲美finetune全部參數(shù)方法效果的參數(shù)優(yōu)化方法，其實是在只包含encoder的模型并在GLUE上取得，或者是基于encoder-decoder的模型在相對簡單的文本生成任務(wù)上取得媲美finetune全部參數(shù)的效果，不能泛化到其他標(biāo)準(zhǔn)評測任務(wù)。

圖4:目前幾種主流方法的效果對比

b)Insertion Form

下圖中，SA指的是Adapter，相應(yīng)的insertion form是sequential，PA則是Parallel Adapter，相應(yīng)的insertion form跟prefix tuning一樣，都是parallel。

從實驗結(jié)果看，使用parallel作為插入方式的prefix tuning跟PA效果明顯優(yōu)于SA，從而說明parallel的插入形式更優(yōu)。

圖5:Insertion Form對比

c)ModifiedRepresentation

從下圖可以看出，直接作用于FFN層的方法的效果明顯優(yōu)化作用于attention層，這些結(jié)果顯示FFN層可以更高效的利用新增的參數(shù)進(jìn)行調(diào)整。這可能是由于FFN層學(xué)習(xí)的是具體任務(wù)的文本模式，而attention層學(xué)習(xí)的是文本不同位置之間的交互，具有一定泛化能力，不需要特地為新任務(wù)做太多調(diào)整導(dǎo)致的。

圖6:modified representation對比

當(dāng)更新的參數(shù)量從3.6%減少到0.1%時，作用于attention模塊的MH PA（attn）跟prefix tuning的方法在效果上領(lǐng)先于其他方法。

圖7:multi head attention的有效性

結(jié)合上述實驗效果，當(dāng)目標(biāo)參數(shù)量非常少時，作用于attention層的方法可以取得更好效果，反之，則優(yōu)先選擇作用于FFN層的方法。

d) Composition Function

不難看出，scaling的復(fù)合函數(shù)效果優(yōu)于簡單相加的復(fù)合函數(shù)。

圖8:不同composition function對比

5 總結(jié)

基于前面的實驗結(jié)論，論文有以下重大發(fā)現(xiàn):

a) Scaled parallel adapter是作用于FFN層的最好變體。

b) FFN層可以通過更多的參數(shù)從而更好優(yōu)化下游模型表現(xiàn)。

c)類似于prefix tuning的作用于attention的方式可以在僅更新0.1%比例參數(shù)量的前提下得到不錯效果。

于是論文提出一種新的方法Mix-And-Match adapter(MAM Adapter)，它包括作用于attention模塊30個prefix tuning向量，以及引入更多參數(shù)量的scaled parallel adapter，在諸多任務(wù)上取得了SOTA效果。融合prefix tuning跟scaled parallel adapter的結(jié)構(gòu)，并根據(jù)它們的特點分配合適的優(yōu)化參數(shù)，從而達(dá)到一個整體的更優(yōu)。

之前在學(xué)習(xí)怎么高效的參數(shù)優(yōu)化方法時總是感覺里面有很多神似的地方，但是建立不了其中的聯(lián)系，看到這篇論文后，有一種茅塞頓開的領(lǐng)悟，這篇文章提出的統(tǒng)一框架能夠幫助大家更好的理解這些參數(shù)優(yōu)化方法，從而更好理解這些關(guān)鍵設(shè)計帶來的價值。具體到個人，可以根據(jù)自己的任務(wù)和場景，設(shè)計出更加靈活的參數(shù)優(yōu)化的遷移學(xué)習(xí)方案了。

審核編輯：劉清