【Lifelong learning】Lifelong Language Knowledge Distillation

链接：http://arxiv.org/abs/2010.02123

简介

Lifelong Language Knowledge Distillation终身语言知识提炼，是一种利用知识蒸馏的终身学习方法。
其主要思想是：每次遇到新任务时，不直接让model去学习，而是先在任务上训练一个teacher model，然后运用知识蒸馏技术，将知识传递给model。

• 知识蒸馏：有两个模型： student model（小）和teacher model（大）。student model需要通过训练，模仿teacher model的行为并使得两者性能相近。

本文将知识蒸馏的思想运用到了终身学习的语言领域。但不同之处在于： L2KD的student model和teacher model是一样大的。

如下图所示。这种方法只需要为每个新任务多花一点时间训练一个一次性teacher model，在学习下一个任务时可以丢弃该模型;因此，L2KD不需要额外的内存或模型容量，这使得提出的模型在实际使用中更有效。

必须要指出的是：L2KD作为一种方法而非具体模型，可以加到大部分LLL模型上去。
因此，本文就将L2KD加到了LAMOL上去。
LAMOL介绍：https://blog.csdn.net/Baigker/article/details/121650749?spm=1001.2014.3001.5501

Proposed Approach

正如在简介中提到的，L2DK本质是一种知识蒸馏，并且在实际运用中要加到其他模型上去。因此本文也遵循这一顺序，即：先介绍LAMOL，再介绍知识蒸馏，最后才说明L2KD的原理。

LAMOL

在LAMOL的setting中，语言数据集中的所有样本都有三个部分:上下文、问题和答案。我们可以简单地将这三个部分连接成一个句子，并训练模型根据上下文和前面的问题生成答案，如图所示。
除了生成给定问题的答案外，该模型同时学习建模整个训练样本。通过这样做，在训练下一个任务时，模型可以为前一个任务生成训练样本，同时训练新任务的数据和为前一个任务生成的伪数据。因此，模型在适应新任务时忘记的更少。

知识蒸馏

语言模型

一般来说，语言模型的目标是使预测下一个词时的负对数似然(NLL)最小化：
而在知识蒸馏中，我们将student model和teacher model之间的预测误差最小化。考虑错误的目标单元可以在单词级或序列级进行。

Word-Level (Word-KD)

在预测下一个词时，我们最小化student和teacher的输出分布之间的交叉熵:

Sequence-Level (Seq-KD)

我们将teacher model中的贪心解码或beam search输出序列$\hat{x}$作为硬目标直接最小化负对数似然，就像普通语言建模一样:

Soft Sequence-Level (Seq-KDsoft)

我们进一步研究软目标加上teacher解码序列是否对模型更有帮助，因此我们进行$Seq-K{D}_{soft}$，对teacher model的贪心解码或beam search输出进行Word-KD。$Seq-K{D}_{soft}$和Word-KD之间的唯一区别是Word-KD的输入$x<t$现在被替换为$\hat{x}<t$，teacher model的输出序列:
注意，无论我们在知识蒸馏中使用何种损失函数，teacher model总是固定的。因此，LLL模型求参数${\theta }_S^{\ast }$的优化过程可以写成:
知识蒸馏可以应用于最小化LM和QA在LAMOL中的损失。假设有一个任务流的数据集$\{D_1,D_2，\dots \}$，我们的LLL模型从$D_1$学习到$D_{m-1}$，现在适用于$D_m$。首先，我们通过最小化LAMOL中LM和QA的负对数似然损失来训练$D_m$的教师模型，并获得模型参数${\theta }_m^T$。
现在我们的LLL模型(参数${\theta }_S$)可以通过从教师模型中提取知识来训练$D_m$。给定一个训练样本$X_i^m=\{x_1,x_2，\dots ，x_T\}\in D_m$(包括上下文、问题和答案)，我们将其最小化：
其中$a_1$表示答案的起始位置。这里我们以Word-KD为例，但我们也可以将答案部分的文本替换为教师生成的答案，从而进行$Seq-K{D}_{soft}$或Seq-KD。
LLL模型除了对来自$D_m$的样本进行训练外，还会为之前的任务生成伪数据$D_{prev}$。然而，对于$D_{prev}$中的样本，我们不能在这里进行知识蒸馏，因为在我们的设置中，之前任务的教师模型在适应下一个任务后将被丢弃。因此，给定生成的数据$X_i^{prev}\in D_{prev}$，我们在这里只最小化NLL损失:
最后，我们共同优化了两种损失，得到了LLL模型的参数${\theta }_S^{\ast }$:

整体算法流程：