ACL2022 | 微软：永远不要低估你的训练数据！

每天给你送来NLP技术干货！

---

作者 | 太子长琴  

整理 | NewBeeNLP

从大规模数据中检索通常比较耗时，仅从训练数据中也能有巨大收益。具体做法是检索与输入文本最相似的训练样例，拼接后作为输入喂入模型，然后生成结果。结果在摘要、翻译、语言模型和QA上都取得了不错的效果。

• 论文：Training Data is More Valuable than You Think: A Simple and Effective Method by Retrieving from Training Data^[1]

• Code：microsoft/REINA^[2]

一句话概述：在检索任务中训练数据在推理时也大有用处。

文章上来就给我们呈现了整体的结构：

有点类似 Prompt 学习，但本文主要关注有监督学习的设置。结果不仅效果很好，而且很容易扩展（只要增加有标注训练数据就行），计算代价也小。我觉得本文相对最有意思的一个发现是文中所写： 即便有成吨的参数，一个模型也不能记住训练数据中的所有模式。所以，重新捕获相关的训练数据作为一个手拉手提示器，就可以提供明确的信息来提高模型（推理）的性能。

整体架构如下图所示（REINA）：

一张图其实已经很清楚地表达出意思了：对不同的任务构造不同的输入，但都会将训练数据拼接上后再喂入模型，得到最后的答案，这里的答案是通过语言模型生成的。检索算法使用 BM25。

形式化模型为：

其中，M 表示生成模型，x 是输入，大括号里的就是 top K 个检索到的最相似的训练数据。

对 QA 任务，将输入文本和每个选项拼接后作为 query，然后获取相关的训练数据。如果需要加入外部知识，则调整为：

其中，C 表示选项。拼接实体字典定义和关系 R，用来为一个 Q 构造知识 K。

Ex 表示与 Q 相关的实体，Ec 表示与 A 相关的实体。本文的相关指：在句子中出现。

用人话简单描述一下就是：给定 Q，在训练数据中找到相似的 QA 对，对每个 QA 对，找到其中所涉及的实体和关系，然后将实体的定义和关系也拼接进去，最后组成一长串文本作为模型输入。

相似检索使用 Lucene Index，模型训练使用 Transformers。实验结果（以文本摘要为例）如下：

结果显示，REINA 可以显著提升（几乎所有数据集）使用不同预训练模型初始化的基线。在 case 分析时，作者发现 REINA 的数据和真实标签之间有很强的相关性。

总之，本文的思路非常简单，但效果却不错，在工业上可以一试，尤其是生成式文本摘要和 QA 任务。不过，感觉这好像也算是一种 prompt 吧，使用训练数据来「拉近」输入和真实标签之间的距离。

本文参考资料

[1]

Training Data is More Valuable than You Think: A Simple and Effective Method by Retrieving from Training Data: https://arxiv.org/abs/2203.08773

[2]

microsoft/REINA: https://github.com/microsoft/REINA

最近文章

EMNLP 2022 和 COLING 2022，投哪个会议比较好？

一种全新易用的基于Word-Word关系的NER统一模型

阿里+北大 | 在梯度上做简单mask竟有如此的神奇效果

ACL'22 | 快手+中科院提出一种数据增强方法：Text Smoothing