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1 3 \frac{1}{3}3 1 ，则该样本最终的预测概率为
[ 0.5 3 , 1.4 3 , 1.1 3 ] [\frac{0.5}{3}, \frac{1.4}{3}, \frac{1.1}{3}][3 0 .5 ,3 1 .4 ,3 1 .1 ]
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 (Norm n \text{Norm}_n Norm n , n ≥ 2 n\ge 2 n ≥2)、Devil’s Advocate model (DevAdv)
首先我们使用传统的Cross Entropy Loss训练Norm n \text{Norm}n Norm n 模型
L Train-Norm n = CE ( Softmax ( Y Norm n ) , Y true ) (1) \mathcal{L}{\text{Train-Norm}n} = \text{CE}(\text{Softmax}(\mathbf{Y}{\text{Norm}n}), \mathbf{Y}{\text{true}})\tag{1}L Train-Norm n =CE (Softmax (Y Norm n ),Y true )(1 )
其中，Y Norm n \mathbf{Y}{\text{Norm}_n}Y Norm n 是Norm n \text{Norm}_n Norm n 模型的预测值，Y true \mathbf{Y}{\text{true}}Y true 是真实标签。与训练Norm n \text{Norm}n 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Y false \mathbf{Y}{\text{false}}Y false ，DevAdv模型的损失函数定义如下：
L Train-DevAdv = CE ( Softmax ( Y DevAdv ) , Y false ) (2) \mathcal{L}{\text{Train-DevAdv}} = \text{CE}(\text{Softmax}(\mathbf{Y}{\text{DevAdv}}), \mathbf{Y}{\text{false}})\tag{2}L Train-DevAdv =CE (Softmax (Y DevAdv ),Y false )(2 )
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arg min ( Y DevAdv ) \arg \min (\mathbf{Y}{\text{DevAdv}})ar g min (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arg min \arg \min ar g min，不是arg max \arg \max ar g max，因为求arg max \arg \max ar g max很明显预测结果大部分是Y false \mathbf{Y}_{\text{false}}Y false ，但如果真实类别被预测的概率为最小，即通过arg min \arg \min ar g 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Norm n \text{Norm}_n Norm n 模型。特别地，当前阶段只会更新Norm n \text{Norm}_n 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Norm n \text{Norm}_n Norm n 他们的讨论吧”
对于Norm n \text{Norm}n Norm n 模型来说，此时的损失函数比较特殊
L Discuss-Norm 1 = CE ( Softmax ( Y Norm 1 + Sofmtax ( Y DevAdv ) ) , Y true ) + MSE ( Y Norm 1 , Y Norm 2 ) L Discuss-Norm 2 = CE ( Softmax ( Y Norm 2 + Sofmtax ( Y DevAdv ) ) , Y true ) + MSE ( Y Norm 2 , Y Norm 1 ) (3) \begin{aligned} \mathcal{L}{\text{Discuss-Norm}1} &= \text{CE}(\text{Softmax}(\mathbf{Y}{\text{Norm}1} + \text{Sofmtax}(\mathbf{Y}{\text{DevAdv}})), \mathbf{Y}{\text{true}})\ &+\text{MSE}(\mathbf{Y}{\text{Norm}1}, \mathbf{Y}{\text{Norm}2})\\ \mathcal{L}{\text{Discuss-Norm}2} &= \text{CE}(\text{Softmax}(\mathbf{Y}{\text{Norm}2} + \text{Sofmtax}(\mathbf{Y}{\text{DevAdv}})), \mathbf{Y}{\text{true}})\ &+\text{MSE}(\mathbf{Y}{\text{Norm}2}, \mathbf{Y}{\text{Norm}_1}) \end{aligned}\tag{3}L Discuss-Norm 1 L Discuss-Norm 2 =CE (Softmax (Y Norm 1 +Sofmtax (Y DevAdv )),Y true )+MSE (Y Norm 1 ,Y Norm 2 )=CE (Softmax (Y Norm 2 +Sofmtax (Y DevAdv )),Y true )+MSE (Y Norm 2 ,Y Norm 1 )(3 )
只有DevAdv模型的输出进行了归一化，Norm n \text{Norm}_n Norm n 模型不进行归一化，目的是为了使得Norm n \text{Norm}_n 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Norm n \text{Norm}_n 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，Norm n \text{Norm}_n 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：
- 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。Norm n \text{Norm}_n 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
- 非常特别的一点在于MSE \text{MSE}MSE损失。Norm n \text{Norm}_n 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Norm n \text{Norm}n 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
arg min ( Y DevAdv ) = = Y true (4) \arg \min (\mathbf{Y}{\text{DevAdv}}) == \mathbf{Y}{\text{true}}\tag{4}ar g min (Y DevAdv )==Y true (4 )
我们将Y DevAdv \mathbf{Y}{\text{DevAdv}}Y DevAdv 内的值全部取负数，并将arg min \arg \min ar g min改为arg max \arg \max ar g max，它的结果仍然没变
arg max ( − Y DevAdv ) = = Y true (5) \arg \max (-\mathbf{Y}{\text{DevAdv}}) == \mathbf{Y}{\text{true}}\tag{5}ar g max (−Y DevAdv )==Y true (5 )
但此时我们就可以让DevAdv一同参与到Norm n \text{Norm}n 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
arg max ( ∑ n Y Norm n − Y DevAdv ) (6) \arg \max (\sum{n}\mathbf{Y}{\text{Norm}_n} – \mathbf{Y}{\text{DevAdv}})\tag{6}ar g max (n ∑Y Norm n −Y DevAdv )(6 )
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Norm n \text{Norm}_n Norm n 模型相互讨论的阶段，即MSE \text{MSE}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Softmax \text{Softmax}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N ( 0 , σ 2 ) \mathcal{N}(0, \sigma^2)N (0 ,σ2 )的向量分布呢，用这个分布直接替换掉Y DevAdv \mathbf{Y}_{\text{DevAdv}}Y 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
Original: https://blog.csdn.net/qq_37236745/article/details/121469762
Author: 数学家是我理想
Title: 训练一个专门捣乱的模型
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/532157/
转载文章受原作者版权保护。转载请注明原作者出处！