来自 AI21 Labs 这项研究表明，微调通常是一种不必要的浪费，关键是找到站在大型冻结语言模型的肩膀上的最佳方式。
目前，优化给定 NLP 任务性能的最佳方法通常是微调预训练语言模型 (LM)。然而这样做的一个副作用是，其他任务的性能会随之下降。
近年来，巨型预训练语言模型 (LM) 在各种任务中展示出了令人惊讶的零样本能力，使得众多研究者产生这样一个愿景，即单一的、多功能模型可以在不同的应用程序中得到广泛应用。然而，当前领先的冻结（frozen）LM 技术，即保持模型权重不变，性能却不如以任务相关方式修改权重的微调方法。反过来，如果研究者能够忍受模型遗忘与损害多功能性，还需要考虑性能和多功能性之间的权衡。
来自 AI21 Labs 的研究者撰文《 STANDING ON THE SHOULDERS OF GIANT FROZEN LANGUAGE MODELS 》，论文的主要信息是，当前的冻结模型技术（例如 prompt tuning）只是冰山一角，那些更强大的方法利用冻结 LM 技术可以在具有挑战性的领域中进行微调，而不会牺牲底层模型的多功能性。
为了证明这一点，作者介绍了三种利用冻结模型的新方法：依赖输入提示调优（input-dependent prompt tuning）；冻结阅读器（frozen readers）；循环语言模型（recursive LM），每种方法都大大改进了当前的冻结模型方法。事实上，作者的部分方法甚至在目前其主导的领域中优于微调方法。每种方法的计算成本都高于现有的冻结模型方法，但相对于单次通过一个巨大的冻结 LM 仍然可以忽略不计。这些方法中的每一种本身都构成了有意义的贡献，但是通过将这些贡献放在一起，该研究旨在让读者相信一个更广泛的信息，该信息超出了任何给定方法的细节：冻结模型具有未开发的潜力，微调通常是不必要的。
论文地址：https://arxiv.org/pdf/2204.10019.pdf
一般来讲，对大型 LM 进行微调通常可以获得出色的性能，但这种方法训练代价昂贵。这篇论文表明，存在一个更好的替代方案：冻结一个单一的、巨大的预训练 LM，并学习更小的神经模块，可将 LM 专门用于不同的任务。
更重要的是，这项研究表明可以将大型 LM 应用于实际问题，在这个阶段中，特定任务的神经中间模块的设计将会取代微调。其结果将是，微调通常是一种不必要的浪费，而关键是找到站在大型冻结语言模型的肩膀上的最佳方式。
依赖输入提示调优
本节中，研究者提出了一种称为依赖输入提示调优 (ID-PT) 方法，可用于在保持冻结状态的同时对 LM 进行大规模多任务处理。ID-PT 用来训练一个非常小的外部网络，该网络接收来自众多精选数据集之一作为输入，并动态创建一个神经提示，使冻结的 LM 为处理这个输入做好准备（参见图 1）。
该研究使用 Sanh 等人的训练集进行了实验，并与他们的模型进行比较，这两者都是公开可用的。该研究在冻结了 7B 参数 的 J1-Large 模型上执行了 ID-PT，并在仅对一半的训练示例进行训练后达到了 Sanh 等人的微调 11B 参数 T0++ 模型的性能。这表明无需微调，LM 也能取得较好的结果。维护和服务单个冻结的 LM 作为主干，并执行 ID-PT 以在不同的任务套件上对其进行外部调整。此外，正如在后面部分中展示的那样，这启用了一个新的工作流程，通过部署单个巨大的 LM 来支持各种不同的 NLP 应用程序。
ID-PT 架构如图 2 所示，它由 3 个组件组成：（1）冻结基于 T5 的编码器；(2) 一个学习提示，用于在提示生成器中提示调优冻结 T5 编码器的功能（总共 330K 学习参数）；(3) 一个学习的交叉注意力网络，将 T5 编码器的可变长度输出序列（长度等于输入 x 的长度）转换为固定长度的提示 p (x)。
表 1 显示了每个任务集群以及跨数据集的 ID-PT + J1-Large 和 T0++ 的平均测试集分数。这两个模型看起来相当，在一些任务集群上表现出较小的性能差异，而另一些则表现出更高的方差：ID-PT + J1-Large 在情感和释义任务集群中表现更好，而 T0++ 在结构 - 文本和摘要任务集群中优于 ID-PT + J1-Large。总体而言，ID-PT + J1-Large 在跨数据集的测试分数平均值中略超过 T0++ 的表现。
图 3 显示了该研究在训练期间不同点观察到的 ID-PT + J1-Large 的平均开发集分数：
冻结阅读器
依赖于小型检索增强阅读器的一个固有缺点是，它们没有大型 LM 的世界知识或推理能力。因此，需要将强大的监督学习检索与大型 LM 结合。为了解决这个问题，该研究使用了一个外部重排序（external re-ranking）模块，以增加在适合冻结 LM 的上下文窗口的少量通道中获得答案的机会。虽然检索器相关性分数是根据问题和段落的单独密集表示来计算的，但重排序器会在联合处理问题和文章后预测每个文档的相关性分数。提示调优冻结的 LM 以从出现在其上下文中的重排序的文档中提取答案。
表 2 显示了在将文档打包到 LM 的上下文窗口中时使用重排序器的实用性。当使用 DPR 作为检索系统时，该研究将 LM 输入的召回率（即答案出现在冻结 LM 的上下文窗口中的问题的百分比）从 77.2% 提高了 到 80.4%，从而将下游性能（通过精确匹配衡量）提高 2.1 个百分点（从 46.6% 到 48.7%）。同样，该研究观察到在利用 Spider+BM25 等更强大的检索器时，重新排名可以获得显著收益。
表 3 显示了该系统在 NQ 测试集上与各种生成基线对比结果。冻结 J1-Grande-17B 阅读器获得了最好的结果，超越 FiD 模型得分。
总体来说，该结果表明巨大的冻结语言模型可作为 ODQA 的优秀阅读器，也不会落后于更精细的、突出的、经过微调的阅读器。
将循环应用于冻结 LM 模型
现有的基于 Transformer 的 LM 的应用程序只通过 LM 运行一次给定输入。尽管这是一种很自然的选择，在大部分其他 DNN 应用程序中，研究者从 LM 设计模式的差异中找到了机会。由于 LM 的输入和输出空间都使用的是自然语言，而且由于相同的 LM 可以提供多种功能，因此原则上可以将 LM 重新应用到自己的输出中，这种操作被称为「LM 循环」。
在这一部分，研究者提出了两种不同的方法将该思路付诸实践（图 5），并给出了实验证据，证明每一种方法都可以产生显著的收益。在第 4.1 节中，提供了一种文本方法，其中输出文本在第一次通过冻结 LM 并重新插入相同的冻结 LM 之后进行采样。在第 4.2 节中，提出了一种神经方法，在这种方法中，一个可训练的小型网络通过相同的冻结 LM 将冻结 LM 输出处的向量表征映射到下一次迭代的向量表征输入。
图 5: (a) Prompt 调优使一次通过冻结的 LM；(b) 文本循环 LM 方法 (Section 4.1) 使用冻结的 LM 一次采样 n 个候选答案，然后再次采样正确的答案；(c) 神经循环 LM 方法 (Section 4.2) 涉及一个训练好的连接器，该连接器将第一个 LM 关口的输出嵌入转换为第二个 LM 关口的输入嵌入。蓝色表示「冻结」，未经训练的模块；橙色代表训练过的模块。
在 closed-book 设置的开放域问答上，研究者评估了 LM 循环方法，其中重点关注了 Natural Questions benchmark (Kwiatkowski et al., 2019)。研究者用 7B 参数的 LM J1-Large 进行了实验，结果表明，通过模型的两次迭代，这两种方法都比传统的冻结模型方法（只使用一次冻结模型）获得了实质性收益，而且神经循环 LM 的性能优于文本循环 LM。
值得注意的是，通过两次迭代 7B 参数模型，神经循环 LM 模型接近了 17B 参数 LMJ1-Grande 单次通过的性能。
通过循环地将 LM 应用于其自身的输出来提高性能，这一前景有可能变成为服务于 LM 的商业化游戏规则改变者。如果一个 LM 在某项任务上的表现不令人满意，现有的垂直性能改进就是预训练一个更大的 LM。然而，预训练越来越大的 LM 很快就变得昂贵起来，而且即使在评估时间部署巨大的模型也是昂贵的。此外，只有在某些任务或任务中的某些输入时才需要改进性能。通过在自身输出上重新应用现有的 LM 进行改进，只需要单次前向通过成本的一半，或者在需要时获得双倍的计算量，这是一个比预训练更集中、成本更低的选择，并部署一个规模为原来两倍的模型。
更多研究细节可参考原论文。
