文 | iven

编 | 小轶
用机器构建数据集，这件事可能比机器学习诞生的还要早，很多人做过很多工作。怎样让机器参与进来？前人的工作可以分成两类思路：一类是以远程监督为代表，让机器来标注，主要目的在于得到更多的数据；另一类是以主动学习为代表，机器在数据集中选出最难的样本，让人标注，主要目的在于得到更高质量的数据。
在大模型大数据的今天，前一类思路成为了主流：机器标注虽然质量不如人，但能以最低的成本标注最多的数据。数据中的噪声就依靠大模型的鲁棒性来消化，庞大的数据量似乎更有用。
近日，华盛顿大学 Yejin Choi 组的研究又对这个问题进行了反思。怎样才能在机器参与构建数据集的流程里，最好地发挥机器的效用呢？机器与人应该是互补的，而不是让机器代替人来标注。
人类在标注大规模数据的时候，很容易有这样一个局限：一个人设计数据时，经常只依赖几种重复的模板。这样尽管标注了大量的数据，但数据集会缺乏语言学上的多样性。相比于一个标注团队，GPT3 生成的语料则会丰富得多。而相比于机器，人的优势在于更高的标注准确率。
基于此，这篇文章提出了一个全新的构建数据集流程：基于一个现有的数据集，挑选出里面对机器困难的样本，让 GPT3 生成更多更丰富的同类困难样本，让人来检查和优化。
作者采用这套人机合作的数据构建方式，以较低的人力成本构建了超大规模的自然语言推断（NLI）新数据集 WANLI。实验表明，在 WANLI 数据集上训练的模型会有更好的性能。最突出的是，训练后模型所具备极强的跨领域迁移能力：迁移到十分内卷的 NLI 数据集 HANS 和 ANLI 上做测试，也都分别提升了 11% 和 9% 的准确率。
论文题目：WANLI：Worker and AI Collaboration for Natural Language Inference Dataset Creation
论文链接：https://swabhs.com/assets/pdf/wanli.pdf
1
人机如何合作？
整个方法的流程可以分成四个部分：
  • 找难的样本；
  • 让 GPT3 生成困难样本的同类型样本；
  • 机器自动过滤；
  • 人工检查和优化。
整体很符合直觉，但是我们看到会有两个疑问：

1. 什么是困难的样本？

作者们之前的工作[1] 为数据集设计了一张 data map：
图中每个点代表一个样本：
  • 纵坐标是模型预测 logits 的大小，表示了模型对预测结果的置信度（confidence）；
  • 横坐标是模型在不同 epoch 预测这个样本时的置信度方差；
  • 点的颜色代表一个样本在不同 epoch 预测中正确率。蓝色正确率较低，红色较高。
直觉上，我们会认为“置信度低”的就是难以学习的样本。实际上，这些样本大多是标注错误的样本点。而“方差大”的样本才是真正对模型困难的。
作者在原始数据集中选了最困难的样本，作为后面生成数据的种子样本。

2. 怎样界定“同类型”样本？怎样让 GPT3 生成困难样本的同类型样本？

作者对于“同类型”样本的界定并不是说在语意层面的相似度出发，做一些数据增强。而是说，对于这一类“难题”，再给模型出一些在逻辑层面（reasoning）类型相同的难题，比如：
种子样本中，前提说“5% 没有 xxx”，假设说“95% 有 xxx”，两句话之间是数学上的互补关系，因此推断成立。我们要生成的样本也应该具有前提和假设的数学互补关系，这样才是同类困难的样本。
怎样生成同类困难样本？本文作者想到了 GPT3 的 in-context learning。前面给出几个同类的样本作为示例（prompt），后面就让 GPT3 自由生成同类的新样本。可问题又来了，怎样在原数据集里找到这些同类型的样本呢？
作者采取了非常简单的方法：如果两个样本 [CLS] 的表示是接近的，那么就认为这两个样本是上面定义的同类样本。对于每个种子样本，都在原来的数据集中找出同样标签最近的 k 个样本，作为输入 GPT3 的 prompts。
作者基于 MultiNLI 数据集，使用上面的方法生成了 WANLI 数据集。WANLI 数据集只取了 MultiNLI 中四分之一最难的样本作为种子样本，最终 WANLI 的规模也是 MultiNLI 的四分之一。

2
用 WANLI 训练的效果？
这张图是主实验的结果。作者使用同样的 RoBERTa-large 模型，在不同的数据集上训练和评测。表格纵坐标代表训练的数据集，横坐标代表测试的数据集。彩色的格子代表训练和测试在不同的数据集，即 out-of-domain 的情况。
整个表格分成了上中下三个部分：
  • 上面的部分是只使用 MultiNLI 或者 WANLI 训练，四分之一的数据量训出了显著更好的结果；
  • 中间的部分是用 MultiNLI 融合其它数据集训练。其中 + 指使用两个数据集的和，◇ 指用后面数据集随机替换前面数据集中的样本。结果表明，不是数据越多越好，而是越多困难样本，模型学习结果越好。甚至只用 WANLI 训练，效果是最好的；
  • 下面的部分是 WANLI 和 Adversial NLI（ANLI）对比。ANLI 标注了在 MultiNLI、SNLI、FEVER-NLI 上训练的模型无法预测正确预测的例子。实验发现，本文生成数据集的思路也可以对 ANLI 构成补充。
为了验证生成的数据真的是“难题”，让模型学到了 NLI 需要的信息，而不是因为别的什么巧合提升了性能，作者设计了好几个实验，分别证实了：
  • 不是因为前提中的某些 pattern 造成的性能提升；
  • 不是因为生成的句子中某几个词影响了预测的结果；
  • 不会是因为前提和假设语意相似度就能反应推断结果（即两句话越相似，就越有蕴含关系）。
于是我们大体上可以判定，这个生成数据集的方法是有效的。

3
总结
最近越来越多的工作打破了"数据越多越好"的迷信想法。这篇文章给出了一个靠谱的方法，借助 GPT3 生成比人类标注更难的数据，可以说是数据工程之路上的又一步前进。
但生成的样本仍有很多问题，比如会生成重复的话或者自相矛盾的话，有些生成的样本对于 NLI 任务也很难判断是否蕴含。另外，in-context learning 生成的样本大约有 15% 与 prompt 的类别是不一致的，这就不得不引入后续的人的标注。是否能引入约束，让机器同时做好"选择样本"和"标注样本"这两件事，将是后人工作的研究重点。不知道什么时候才能有方法，让机器构建数据集的两种思路统一。
萌屋作者：𝕚𝕧𝕖𝕟
在北大读研，目前做信息抽取，对低资源、图网络都非常感兴趣。希望大家在卖萌屋玩得开心 ヾ(=･ω･=)o
参考文献：

[1] Swabha Swayamdipta, et. al., Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics, EMNLP 2020, https://aclanthology.org/2020.emnlp-main.746/

推荐阅读
时间的力量——1991 人工智能大辩论 30 周年纪念：主义不再，共融互生｜GAIR 2021
2021-12-12
论智三易，串联通讯，贯通边缘，演进认知，汇于机器：听五位IEEE Fellow畅谈AI未来 | GAIR 2021
2021-12-25
新一代AI人才从哪里来，该往哪里去？| GAIR 2021院长论坛
2021-12-29

由于微信公众号试行乱序推送，您可能不再能准时收到AI科技评论的推送。为了第一时间收到AI科技评论的报道， 请将“AI科技评论”设为星标账号，以及常点文末右下角的“在看”。

继续阅读
阅读原文
关键词
任务
数据集
模型
作者
样本