恒源云 _ 训练一个专门捣乱的模型

文章来源 | 恒源云社区（专注人工智能/深度学习云 GPU 服务器训练平台，官方体验网址：https://gpushare.com/center/）

原文地址 | https://bbs.gpushare.com/topic/713/%E8%AE%AD%E7%BB%83%E4%B8%80%E4%B8%AA%E4%B8%93%E9%97%A8%E6%8D%A3%E4%B9%B1%E7%9A%84%E6%A8%A1%E5%9E%8B?_=1637820608607

原文作者 | Mathor

三位韩国人在 EMNLP 2021 Findings 上发表了一篇论文，名为Devil’s Advocate: Novel Boosting Ensemble Method from Psychological Findings for Text Classification，其中 Devil’s Advocate 有一部同名电影，翻译过来叫「魔鬼代言人」，他们主要挑战的是传统模型融合的方法，例如硬投票(Hard-Voting)、软投票(Soft Voting)、Bagging 等。源码在HwiyeolJo/DevilsAdvocate

在群体决策过程中，大部分人会根据既定思维进行思考，而 Devil’s Advocate 是指那些提出的意见与大多数人不一致的那个人，Devil’s Advocate 的存在可以激发群体的头脑风暴，打破固化思维。以上内容参考维基百科恶魔的代言人

ENSEMBLES

在具体讲解作者的方法前，先简单过一下常见的模型融合方法

Soft Voting

软投票是对不同模型的预测分数进行加权平均，例如有一个三分类问题，第一个模型对某个样本的预测概率为[0.2,0.1,0.7]；第二个模型对该样本的预测概率为[0.2,0.6,0.2]；第三个模型对该样本的预测概率为[0.1,0.7,0.2]，假设三个模型的投票权重均为$\frac{1}{3}$，则该样本最终的预测概率为

所以最终这个样本被预测为第 2 类。不过事实上很多时候模型有好有坏，所以我们的权重不一定是平均的，对于模型比较厉害的模型，我们会给他比较大的话语权（投票权重）

Hard Voting

硬投票可以看作是软投票的一个变种，还是以上面三个模型预测的概率分布为例。第一个模型预测样本为第 2 类，第二、三个模型都认为样本是第 2 类，根据少数服从多数原则，该样本就被认为是第 2 类

Bagging

Bagging 方法的核心思想是「民主」。首先从训练集中有放回地随机采样一些样本，采样 n 次，训练出 n 个弱模型，利用这 n 个模型采用投票的方式得到分类结果，如果是回归问题则是计算模型输出的均值作为最后的结果

Boosting

Boosting 的核心思想是「挑选精英」。Boosting 与 Bagging 最本质的区别在于它对弱模型不是一致对待的，而是经过不停的考验和筛选来挑出「精英」，然后给精英更多的投票权，表现不好的模型则给较少的投票权

PROPOSED METHOD: DEVIL’S ADVOCATE

Training Norm and DevAdv models

无论你是用什么方法做模型融合，至少都需要 2 个以上的模型。作者提出的方法至少需要 3 个模型，这些模型会被分成两个阵营：Normal models $({\text{Norm}}_n,n\ge 2n）$、Devil’s Advocate model (DevAdv)

首先我们使用传统的 Cross Entropy Loss 训练${\text{Norm}}_n$模型

其中，${\mathbf{Y}}_{{\text{Norm}}_n}$是${\text{Norm}}_n$模型的预测值，${\mathbf{Y}}_{\text{true}}$​是真实标签。与训练${\text{Norm}}_n$模型相反的是，我们需要随机生成与真实标签不相交的错误标签来训练 DevAdv 模型（不相交指的是没有任何一个样本的错误标签和真实标签相同），生成的错误标签为${\mathbf{Y}}_{\text{false}}$​，DevAdv 模型的损失函数定义如下：

由于 DevAdv 模型是用错误标签训练出来的，所以该模型充当了「魔鬼代言人」的角色，不同意其他模型的预测分布。特别地，我们可以通过检查$argmin(Y_{DevAdv})$是否为真实标签来评估 DevAdv 模型的性能

注意上面的函数是，不是$\arg \min$，因为求$\arg \max$很明显预测结果大部分是${\mathbf{Y}}_{\text{false}}$​，但如果真实类别被预测的概率为最小，即通过$\arg \min$取到，我们就认为 DevAdv 非常会捣乱

Group Discussion: Fine-tuning

我看到这个标题的时候感觉很奇怪，这又不是预训练模型，怎么会有 Fine-tuning 阶段？仔细看了他们的代码之后才明白，他这个名字起的不好，不应该叫 Fine-tuning，应该叫为 Discussing 或者 Ensembles，即模型融合阶段。具体来说，之前我们已经把所有的模型都训练一遍了，接下来我们需要把 DevAdv 引入进来再训练一遍${\text{Norm}}_n$模型。特别地，当前阶段只会更新${\text{Norm}}_n$模型的参数，DevAdv 模型的参数不会进行更新

给我一种感觉就像是：“DevAdv，你已经学会如何抬杠了，快去干扰${\text{Norm}}_n$​他们的讨论吧”

对于${\text{Norm}}_n$模型来说，此时的损失函数比较特殊

只有 DevAdv 模型的输出进行了归一化，${\text{Norm}}_n$模型不进行归一化，目的是为了使得${\text{Norm}}_n$​预测的分布值远大于归一化的 DevAdv 的值。在 CE Loss 中，DevAdv 模型阻止${\text{Norm}}_n$模型对真实标签进行正确拟合。但在「Discuss」过程中，即使有 DevAdv 模型的干扰，${\text{Norm}}_n$模型最终也能正确预测真实标签，主要有以下几个原因：

1. DevAdv 模型在该阶段是不更新参数的，因此它相当于变成了一个固定的噪声生成器。${\text{Norm}}_n$模型的参数是会随着损失进行调整的，所以肯定效果会慢慢变好，这是可以预见的

2. 非常特别的一点在于$\text{MSE}$损失。${\text{Norm}}_n$模型在「Discuss」的过程中会互相影响、学习其他 Norm models 的信息

最后，对测试集进行测试时，采用软投票的机制组合${\text{Norm}}_n$​模型的结果。然后…然后就结束了吗？我们辛辛苦苦训练的 DevAdv 仅仅只是在「Discuss」阶段提供点噪声吗？来点作用啊 DevAdv。仔细想一想，最开始在训练 DevAdv 模型的时候，我们评估它的指标是

我们将${\mathbf{Y}}_{\text{DevAdv}}$​内的值全部取负数，并将$\arg \min$改为$\arg \max$，它的结果仍然没变

但此时我们就可以让 DevAdv 一同参与到${\text{Norm}}_n$模型的测试过程中了，其实就相当于三个模型共同进行软投票，此时预测结果为

RESULTS

这本质是一个模型融合的方法，理论上来说所有模型都是适用的。首先我们看一下消融研究

其中比较重要的去掉了 DiscussLoss 的部分，何谓 DiscussLoss，其实就是${\text{Norm}}_n$​模型相互讨论的阶段，即$\text{MSE}$损失。去掉这部分后，除了 Yelp 数据集有些反常居然上升了，其他的都有不同程度的下降。同时作者证明他们的方法可以使用超过 3 个模型的情况，例如最后一行，他们使用了 4 个模型，其中有 3 个正常模型，一个 DevAdv，效果虽然不如使用 3 个模型的情况（第一行），但是比常规的软投票还是要好一些，特别地，此时他们使用 KL 散度来替代 MSE 损失

接着作者分别采用 TextCNN 和基于 Transformers 的模型（论文里就没写到底用的是 BERT 还是 RoBERTa 等，如果直接用 transformer 不太可能，seq2seq 的模型如何做分类？）做了一组实验

基本上作者所提出的方法都要比软投票好一些，不过我特别好奇的是硬投票，以及其他的一些模型融合方法为什么不对比下呢？

个人总结

首先我要吐槽的是作者的美感，原论文中的数学公式写的非常丑，基本上感觉是直接用\text{}框住然后乱写一通，这里截个图给大家感受下

其次是上图中我红框框出来的部分（下面没有用红框框住的公式也一样），我觉得它这个公式写错了，漏了个$\text{Softmax}$，可以对比我这篇文章里的公式和他论文中的公式。最后是我觉得比较有意思的地方，因为单看「Discuss」的过程，DevAdv 在里面充当的只是捣乱的角色，那为什么我不可以直接采样一个服从$\mathcal{N}(0,{\sigma }^2)$的向量分布呢，用这个分布直接替换掉${\mathbf{Y}}_{\text{DevAdv}}$，直到我看到了公式(6)，我才明白 DevAdv 不仅仅是充当一个噪声生成器，实际上在最后 Inference 阶段，它也可以一起参与进来，而这一点是单纯采样一个向量分布所无法做到的。作者在他的文章中并没有做鲁棒性测试，实际上我觉得引入 Devil’s model 误导模型训练的过程是可以增加模型的鲁棒性的