恒源云(GPUSHARE)_社区产出大拿的论文小记(Flooding-X)

Posted 2022-12-13 AI酱油君

文章来源 | 恒源云社区

原文地址 | Flooding-X: 超参数无关的 Flooding 方法

原文作者 | Mathor

---

所谓大佬，就是只要你肯挖，总有你不知道的知识点在某个地方等着你来学习！
往下看，这不就来了吗！

正文开始：

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$\mathcal{L}(\mathbf{\theta })$ > $b$时$\tilde{\mathcal{L}}(\mathbf{\theta })=\mathcal{L}(\mathbf{\theta })$，这时就是执行普通的梯度下降；而$\mathcal{L}(\mathbf{\theta })$<$b$时$\tilde{\mathcal{L}}(\mathbf{\theta })$=2$b$-$\mathcal{L}(\mathbf{\theta })$，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

我们可以假设梯度先下降一步后上升一步，学习率为$\epsilon$，通过泰勒展开可以得到

其中，${\mathbf{\theta }}_n$表示第$n$次迭代的参数，$g({\mathbf{\theta }}_{n-1})={\nabla }_{\mathbf{\theta }}\mathcal{L}({\mathbf{\theta }}_{n-1})$表示损失对参数${\mathbf{\theta }}_{n-1}$的梯度。式(2)的结果相当于以$\frac{{\epsilon }^2}{2}$为学习率、损失函数为梯度惩罚$|g(\mathbf{\theta })|{|}^2=||{\nabla }_{\mathbf{\theta }}\mathcal{L}(\mathbf{\theta })|{|}^2\mid$ 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？》

ACHILLES’ HEEL OF FLOODING

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

GRADIENT ACCORDANCE

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$b$。具体来说，我们首先定义包含参数$\mathbf{\theta }$的模型$f$，考虑一个样本$x$以及真实标签$y$，它们的损失为$\mathcal{L}(f(\mathbf{\theta },x),y)$，损失关于参数的梯度为

其中，式(3)的负值就是参数$\mathbf{\theta }$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

将$f(\mathbf{\theta },x_1)$通过泰勒展开变形得

$\frac{f(\theta -\epsilon g1,x1)-f(\theta ,x1)}{\epsilon g1}=\frac{\partial f}{\partial \theta }$

我们将$\epsilon {\mathbf{g}}_1\frac{\partial f}{\partial \mathbf{\theta }}$记作$T(x_1)$，并对$\mathcal{L}(f(\mathbf{\theta },x_1),y_1)$做类似的泰勒展开得

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
$\frac{L(A+T(x1),y1)-L(A,y1)}{T(x1)}=L\prime$​

将式(7)带入式(5)得

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$\Delta {\mathcal{L}}_2=-\epsilon {\mathbf{g}}_1\cdot {\mathbf{g}}_2$

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${\mathbf{g}}^{以上是关于恒源云(GPUSHARE)\_社区产出大拿的论文小记(Flooding-X)的主要内容，如果未能解决你的问题，请参考以下文章}$

恒源云(GpuShare)_表序编码器的联合实体和关系提取(论文浅谈)

恒源云(GpuShare)_表序编码器的联合实体和关系提取(论文浅谈)

恒源云(GpuShare)_表序编码器的联合实体和关系提取(论文浅谈)

恒源云(GpuShare)_MaskFormer：语义分割可以不全是像素级分类

恒源云(GpuShare)_MaskFormer：语义分割可以不全是像素级分类

恒源云(GPUSHARE)_超越预训练 NLP 的模型来喽