ICML2020的论文《Do We Need Zero Training Loss After Achieving Zero Training Error?》提出了一种Flooding方法,用于缓解模型过拟合,详情可以看我的文章《我们真的需要把训练集的损失降到零吗?》。这里简单过一下,论文提出了一个超参数b ,并将损失函数改写为
其中,b 是预先设定的阈值,当\mathcal{L}(\boldsymbol{\theta})>b$``$\tilde{\mathcal{L}}(\boldsymbol{\theta})=\mathcal{L}(\boldsymbol{\theta}) ,这时就是执行普通的梯度下降;而\mathcal{L}(\boldsymbol{\theta})<b$``$\tilde{\mathcal{L}}(\boldsymbol{\theta})=2b-\mathcal{L}(\boldsymbol{\theta}) ,注意到损失函数变号了,所以这时候是梯度上升。因此,总的来说就是以b 为阈值,低于阈值时反而希望损失函数变大。论文把这个改动称为"Flooding"
这样做有什么效果呢?论文显示,在某些任务中,训练集的损失函数经过这样处理后,验证集的损失能出现 "二次下降(Double Descent)",如下图
左图:不加Flooding的训练示意图;右图:加了Flooding的训练示意图
我们可以假设梯度先下降一步后上升一步,学习率为\varepsilon ,通过泰勒展开可以得到
其中,\boldsymbol{\theta}_{n} 表示第n 次迭代的参数,g(\boldsymbol{\theta}_{n-1})=\nabla_{\boldsymbol{\theta}}\mathcal{L}(\boldsymbol{\theta}_{n-1}) 表示损失对参数\boldsymbol{\theta}_{n-1} 的梯度。式(2)的结果相当于以\frac{\varepsilon^2}{2} 为学习率、损失函数为梯度惩罚|g(\boldsymbol{\theta})||^2=||\nabla_{\boldsymbol{\theta}}\mathcal{L}(\boldsymbol{\theta})||^2 的梯度下降
详细的推导过程见《我们真的需要把训练集的损失降到零吗?》
Flooding的阿喀琉斯之踵在于超参数b ,我们需要花非常多的时间寻找最佳的阈值b ,这并不是一件容易的事
Achilles' Heel(阿喀琉斯之踵)阿喀琉斯是古希腊神话故事中的英雄人物,刀枪不入,唯一的弱点是脚后跟(踵)。后用于来比喻某东西的致命缺陷
下图展示了使用BERT在SST-2数据集上不同的阈值b 对结果的影响(黄色区域是最佳结果)。可以看出,b 的设置对结果的影响非常大
ACL2022的投稿有一篇名为《Flooding-X: Improving BERT’s Resistance to Adversarial Attacks via Loss-Restricted Fine-Tuning》的文章,以"梯度一致性"作为开启Flooding的"阀门",而不再采用超参数\boldsymbol{\theta} 的模型f ,考虑一个样本x 以及真实标签y ,它们的损失为\mathcal{L}(f(\boldsymbol{\theta}, x), y) ,损失关于参数的梯度为
其中,式(3)的负值就是参数\boldsymbol{\theta} 更新的方向。现在我们考虑两个样本(x_1,y_1), (x_2,y_2) 的情况,根据上述定义,样本1的梯度为
对于样本1来说,参数更新所导致的损失变化为$$ \begin{aligned} \Delta \mathcal{L}_1 = &\mathcal{L}(f(\boldsymbol{\theta} - \varepsilon \boldsymbol{g_1}, x_1), y_1)\\ &- \mathcal{L}(f(\boldsymbol{\theta}, x_1), y_1) \end{aligned}\tag{5} $$
将f(\boldsymbol{\theta}, x_1) 通过泰勒展开变形得
我们将\varepsilon \boldsymbol{g_1}\frac{\partial f}{\partial \boldsymbol{\theta}} 记作T(x_1) ,并对\mathcal{L}(f(\boldsymbol{\theta}, x_1), y_1) 做类似的泰勒展开得
$$ \begin{aligned} \mathcal{L}(&f(\boldsymbol{\theta}, x_1), y_1)\\ &= \mathcal{L}(f(\boldsymbol{\theta} - \varepsilon \boldsymbol{g_1}, x_1) + T(x_1), y_1)\\ &\approx \mathcal{L}(f(\boldsymbol{\theta} - \varepsilon \boldsymbol{g_1}, x_1), y_1)\\ &+\frac{\partial \mathcal{L}}{\partial f}T(x_1) \end{aligned}\tag{7} $$
根据式(6)可以推出第一个等号,约等于是从泰勒展开推导的,具体来说
将式(7)带入式(5)得$$ \begin{aligned} \Delta \mathcal{L}_1 &\approx -\frac{\partial \mathcal{L}}{\partial f}T(x_1)\\ &=-\varepsilon \boldsymbol{g_1}\frac{\partial \mathcal{L}}{\partial f} \frac{\partial f}{\partial \boldsymbol{\theta}}\\ &=-\varepsilon \boldsymbol{g_1} \cdot \boldsymbol{g_1} \end{aligned}\tag{8} $$
类似的,参数根据样本(x_1,y_1) 更新后,在样本(x_2, y_2) 上的损失差为\Delta \mathcal{L}_2 = -\varepsilon \boldsymbol{g_1}\cdot \boldsymbol{g_2}
值得注意的是,根据定义,\Delta \mathcal{L}_1 是负的,因为模型是对于(x_1,y_1) 更新的,自然就会导致其损失的降低。如果\Delta \mathcal{L_2} 也是负的,那么在(x_1, y_1) 上更新的模型被认为对(x_2, y_2) 有积极的影响。上面的等式表明,这种共同关系相当于两个样本的梯度\boldsymbol{g_1},\boldsymbol{g_2} 之间的乘积,我们称其为梯度一致性(Gradient Accordance)
上面提到的可以看作是样本级别的梯度一致性,由于其粒度太细,计算起来非常复杂,因此我们将其应用到batch级别的粗粒度上进行计算
考虑训练过程中包含n 个样本的mini-batch B_0 ,其中样本\boldsymbol{X} = \{x_1, x_2,...,x_n\} ,标签\boldsymbol{y}=\{y_1, y_2,...,y_n\} ,其中y_i\in \{c_1, c_2,...,c_k\} ,即有k 个类别。这些样本可以根据它们的标签拆分成k 组(每组内的样本标签是一样的)
由此可以将B_0 拆分成多个子batch的并集,B_0 = B_0^1\cup B_0^2\cup \cdots B_0^k 。我们定义两个子batch B_0^1 和B_0^2 的类一致性分数为
其中,\boldsymbol{g}_1 是模型在样本集B_0^1 上的损失对参数的梯度,\cos(\boldsymbol{g_1}, \boldsymbol{g_2})=(\boldsymbol{g_1}/|\boldsymbol{g_1}|)\cdot (\boldsymbol{g_2}/|\boldsymbol{g_2}|)
类一致性可以用于判断:对类别c_1 的样本集B_0^1 进行梯度下降是否也会减少类别c_2 所对应的样本集B_0^2 的损失
假设一个Epoch中有N 个batch,那么B_s 与B_t 的批一致性分数定义如下:
$$ \begin{aligned} S_{\text{batch accd}}&(B_s, B_t)\\ &=\frac{1}{k(k-1)}\sum_{j=1}^k\sum_{i=1 \atop i \neq j}^k C(B_s^i, B_t^j) \end{aligned}\tag{10} $$
批一致性可以通过评估一个批次的参数更新对另一个批次的影响,量化两个批次的学习一致性。更具体地说,S_{\text{batch accd}} 如果是正的,表示这两个批次处于相同的学习节奏下,每个批次更新的模型对它们都有好处
任意一个Epoch的梯度一致性最终定义为
$$ \begin{aligned} &S_{\text{epoch accd}} \\ &= \frac{1}{N(N-1)}\sum_{j=i+1}^N \sum_{i=1}^{N-1} S_{\text{batch accd}}(B_s, B_t) \end{aligned}\tag{11} $$
实验结果这里就不放了,简单说一下就是作者使用了TextFooler、BERT-Attack、TextBugger三种攻击手段,以PGD、FreeLB、TAVAT等方法为Baseline进行对比,结果表明使用Flooding-X效果很好
从下图可以看出,当梯度一致性指标从负数变为正数时,测试集损失也开始上升,说明梯度一致性这个指标可以很好的当作是过拟合的信号
2020年提出的Flooding本身就是一个非常有意思的Trick,可惜原论文作者也苦于超参数b 的选择,因此其应用不算广泛。ACL2022这篇论文提出了梯度一致性的概念,让模型自己感知什么时候该进行Flooding,避免了超参数的选择问题