前言

本文源自 ICLR 2022
原文地址：Multitask Prompted Training Enables Zero-shot Task Generalization
Discussion 中提到的 FLAN 参考博文【论文阅读】Finetuned Language Models Are Zero-Shot Learners_长命百岁️的博客-CSDN博客

Abstract

大模型在多种任务上学习提高了 zero-shot 泛化能力，有人假设这是语言模型在隐式多任务学习的结果。

zero-shot 泛化能力能否通过显式多任务学习来直接引发呢？

1.Introduction

目标：训练一个模型能够在留出任务上泛化性更好，且不需要很大的模型规模，同时对于 prompt 的措辞选择更鲁棒。

实验学习了两个问题：

多任务 prompted training 是否提升了在留出任务上的泛化性
- 我们发现，多任务训练增强了在 zero-shot 任务上的泛化能力
在更大范范围的 prompts 上进行训练是否能够提升 prompt 措辞的鲁棒性
- 我们发现，在每个数据集上进行更多 prompt 的训练始终提高在留出任务上性能的中位数，并减少变化性

在这里插入图片描述

2.Related work

3.Measuring generalization to held-out tasks

在这里插入图片描述

本文提供了四个保留任务（绿色部分）：

自然语言推理
共指消解
句子补全
词意消歧

同时也在 BIG-bench（这是最近一个由社区驱动的基准测试，它创建了各种各样的困难任务集合，以测试大型语言模型的能力）中的部分数据集上评估。所有源自 BIG-bench 的任务都是新任务，是从训练中留出的。

4.A unfied prompt format

所有数据集都是以自然语言 prompt 的格式给到模型，以实现 zero-shot 实验。

定义 prompt 为：包含一个输入模板和一个目标模板，并且带有一组相关元数据

模板是将数据示例映射为输入和目标序列的自然语言的函数。实际上，模板允许用户将任何文本与数据字段，元数据，其他用于呈现和格式化原始字段的代码混合

比如一个NLI数据，包含字段premise，Hypothesis，Label。

输入模板：If {Premise} is true, is it also true that {Hypothesis}?
目标模板：{Choices[label]}
- 这里 choice 是 prompt-specific 元数据，包含选项：yes，maybe，no。对应着label 是 entailment（0），neutral（1），contradiction（2）。

在这里插入图片描述

我们收集了一个 prompt 集合，叫做Public Pool of Prompts(P3)，包含了对 177 个数据集的 2073 个prompt。实验中使用的 prompt 除BIG-bench外均来自P3, BIG-bench的 prompt 由其维护人员提供。

5.Experimental setup

Model：使用 encoder-decoder 结构，通过最大似然训练训练模型自动生成目标。与GPT-3等纯解码器语言模型不同，它从未被训练生成输入

我们训练的所有模型都基于 T5，一个基于transformer的 encoder-decoder 语言模型，使用 masked 语言建模风格的目标对来自C4的1T tokens进行预训练。由于 T5 的预训练目标是生成从输入文本中移走的 token，它不同于 prompt 数据集的自然文本生成格式。因此使用 LM-adapted T5（T5+LM）模型（将 T5 利用标准语言建模目标在来自C4的额外 100B tokens 上训练得到）

Training：T0在section3和table5中的数据集上训练，T0+用的是相同超参，但是额外添加了 GPT-3 的评估数据集。T0++进一步增加了 SuperGLUE。

因为数据集大小区别很大，因此我们将超过 500000样本的数据集看为只有 500000/num_template 样本。num_template 是为数据集创建的模板数目。我们将出入和输出序列分别截断至 1024 和 256 token，使用 packing 来结合多个训练样本到一个序列中来达到最大序列长度。batch size：1024 sequences，optimizer：Adafactor，learning rate：1e-3，dropout rate：0.1

Evaluation：

6.Results

6.1.Generalization to held-out tasks

我们的第一个研究问题是，多任务 prompted training是否能提高对留出任务的泛化能力。

我们的方法在所有数据集的baseline上都有很大的提升，说明了了多任务 prompted training 比只使用相同的模型和prompts进行语言建模训练的好处。

接着，比较了 T0 与可获得的最大的语言模型（多种达到175B参数的 GPT-3 模型）的 zero-shot 性能。

发现在 11 个留出数据集中的 9 个上比得上/超过 GPT-3。
值得注意的是，T0和GPT-3都没有接受自然语言推理方面的训练，但T0在所有NLI数据集上的表现都优于GPT-3，尽管我们的 baseline T5+LM没有

大多数情况下，我们的模型表现随着训练数据的增加而提升。

在这里插入图片描述

在 BIG-bench中，我们发现至少有一个 T0 的变种比所有的 baseline 都要好（除了 StrategyQA）

在这里插入图片描述

6.2.Prompt robustness

我们的第二个研究问题就是：在更大范围的 prompts 上进行训练是否能够提升对 prompts 措辞的鲁棒性。

做了两个消融实验

针对每个数据集中 prompts 的平均数量（p）
训练时使用的数据集的数量（d）

Effect of More Prompts per Dataset：T0（p=8.03）在一些没有映射为数据集原始任务的 prompts 上训练。

p=1，每个数据集随机选一个原始任务的 prompt。p=5.7，所有数据集都使用所有的原始任务prompts。p=0，对应 T5+LM，没有任何 prompts。在每个数据集的更多 prompt上训练能够在留出任务上获得更好，更鲁棒的泛化性。从 $p = 1$ 到 $p = 5.7$ 在中位数与 spread 都有额外的改善，这强化了我们的假设：针对每个数据集的更多提示进行训练，可以使留出任务的泛化更好、更健壮。T0包含了所有 prompts（包括哪些不对应于数据集原始任务的），进一步提升了效果，显示了在不是原始任务的 prompts 上训练也有收益。

在这里插入图片描述

Effect of prompts from more datasets：

令 p=所有可以获得的 prompts，增加 d。

增加d似乎并不能始终使模型对提示的措辞更加稳健。

在这里插入图片描述

Comparing T0 and GPT-3’s robustness：结果表明，T0 比 GPT-3 对 prompt 格式更鲁棒。

7.Discussion

同时期的工作，FLAN，使用了基本同样的方法，通过多任务 prompted 训练来增强 zero-shot 泛化能力。通过与我们相似的数据集混合，FLAN 训练了多个 decoder-only 语言模型，每个都对应一个单独的留出任务（我们关注于训练一个对应多个留出任务的模型，以能够分析模型在多种任务上泛化的能力）。

与 FLAN 相比，T0 的性能有更好的也有更差的，T0++基本都比得上或者更好。但是，这俩模型比 FLAN 小了十多倍（137B vs 11B）。

T0 和 FLAN 在 Winogrande 和 HellaSwag 上的性能都不如 GPT-3。Wei et al(2021) 猜测对于可以表示成补充一个不完整句子的任务（比如：共指消解），将任务指令添加到提示中“很大程度上是多余的。

Wei et al(2021) 做了一个消融实验，模型大小与 T0（11B）类似（8B），发现在多任务 prompted 训练后，在留出任务上的性能下降，而我们发现多任务 prompted 训练至少在3B参数下提高了模型的性能。我们确定了两个模型之间的关键差异，可以解释这种差异：

我们使用了 encoder-decoder 模型，在作为标准的语言模型训练之前，进行了不同目标的训练（masked 语言建模），然后在多任务混合上 fine-tune。这种预训练策略是更有效的。
我们的 prompt 在长度和创造性方面在质量上更加多样化，我们假设这种多样性可能会产生具体的影响。比如，这可以解释为什么Wei等人(2021)提出的消融结果，其中增加 prompt 的数量对性能的影响可以忽略不计，而我们观察到增加更多 prompt 时的改善