论文笔记--A Fine-grained Interpretability Evaluation Benchmark for Neural NLP

1. 文章简介

• 标题：A Fine-grained Interpretability Evaluation Benchmark for Neural NLP
• 作者：Lijie Wang, Yaozong Shen, Shuyuan Peng, Shuai Zhang, Xinyan Xiao, Hao Liu, Hongxuan Tang, Ying Chen, Hua Wu, Haifeng Wang
• 日期：2022
• 期刊：arxiv preprint

2. 文章概括

  文章构建了一个新的benchmark用于评估神经网络等算法的可解释性。benchmark包括三种NLP任务：情感分析、文本相似度评估和阅读理解。和现有的一些benchmark相比，文章给出的benchmark覆盖了中、英文，且属于token水平的解释性评估，此外，该benchmark满足度量可解释性的benchmark的所有基本性质，即充分的、紧致的、全面的。

3 文章重点技术

3.1 数据收集

  文章考虑了中、英文的三种代表性的NLP任务：情感分析、文本相似度评估和阅读理解。

• 情感分析（SA）：从SST验证/测试集中随机获取1500个样本、从Movie Reviews测试集中随机获取400个样本构建英文评估集；从SA API随机获取60000个用户授权的日志，标注人员从中选择标注2000个构建中文评估集。
• 语义相似度（STS）：从QQP中随机选择2000个文本对构建英文评估集；从LCQMC中随机选择2000个文本对构建中文评估集。
• 机器阅读理解（MRC）：从SQUAD2.0中随机选择1500个问答对和500个没有回答的问题作为英文评估集；从DuReader中随机筛选1500个问答对和500个没有回答的问题作为中文评估集。

3.2 数据扰动

  为了评估模型的faithfulness（根因在多大程度上影响输出结果），文章希望度量相同的模型决策机制下，外界扰动对根因是否有影响。一个好的根因应该满足“当扰动发生时，根因和预测输出的变化是一致的（输出不变，则根因也不变）。
  文章从两个角度构建扰动：1) 扰动不影响根因和预测结果 2）扰动造成了根因的改变且可能会影响预测结果。基于这两个角度，文章定义了三种类型的扰动：

• 可有可无的单词的改变：插入、删除、替换可有可无的单词应该对模型结果和根因没有影响。比如"what are some reasons to travel alone"修改为"List some reasons to travel alone".
• 重要单词的改变：替换重要的单词为它们的同义词或者相关的单词，会对结果和根因造成影响。如"I dislike you"修改为"I hate you".
• 同义变换：将句子的结构进行变换但不改变语义，此时模型的预测结果和根因都不发生改变。如"The customer commented the hotel"修改为"The hotel is commented by the customer".
    标注时，标注员会首先选定一种扰动类型，然后基于原句子构建一个该句子符合该扰动类别的实例和真实结果。

3.3 迭代标注和检查根因

  标记员会原始输入中对输入影响较大的tokens为根因（rationales）。一些研究认为，好的rationale应该满足以下三点

• 充分性：包含足够的信息支撑人去做正确的预测
• 紧致性：所有tokens都可以有效支撑预测，即移除任意一个token都无法做正确的预测
• 全面性：所有可以支撑输出的tokens都在这个rationale中。
    基于上述原则，文章设计了下述工作流保证标注数据的质量：
• step1：标注根因：普通的标记员根据输入、输出标记rationales
• step2：根因打分：高级的标记员来对根因进行double-check。首先，标记员按照充分性对根因进行打分：不能支撑结果(1) 不确定(2) 可以支撑结果(3)；然后标记员按照紧致性对根因进行打分：包含多余的tokens(1) 包含扰动(2) 不确定(3) 精准(4) ；最后标记员对每个输入的所有rationale sets的全面性进行打分：不全面(1) 不确定(2) 全面(3)。如果一个rationale在三个维度的得分低于给定阈值，则进入下一环节
• step3: 根因修改：针对step2中产生的低质量的根因，标记人员会尝试重新修改根因，然后重新进行step2的打分环境。如果打分仍不满足要求，则直接放弃该case。
    如下表所示，相比于现存的评估集，按照上述三个步骤构建的评估集满足全部要求。
  

3.4 度量

  为了构建更合理地对模型表现进行度量，文章采用token-F1来度量可信度(plausibility)，MAP来度量忠实度（faithfulness)

3.4.1 Token F1-score

  如下式定义，token F1-score用于计算token之间重叠的比例，用于评估可信度（模型给出根因和真实根因的对齐程度）$$\begin{gathered} Token-F1=\frac{1}{N}\sum _{i=1}^N\left(2\times \frac{P_i\times R_i}{P_i+R_i}\right), \\ where{P}_i=\frac{|S_i^p\cap S_i^g|}{|S_i^p|},and{R}_i=\frac{|S_i^p\cap S_i^g|}{|S_i^g|} \end{gathered}$$, 其中$S_i^p,S_i^g$分别表示第i个样本的预测根因集合和人类标注的根因集合。

3.4.2 MAP(Mean Average Precision)

  如下式定义，MAP用于度量扰动后的根因一致性，被用于表示faithfulness$$MAP=\frac{{\sum }_{i=1}^{|X^p|}\left({\sum }_{j=1}^{i}G(x_j^p,x_{1:i}^o))/i\right)}{|X^p|}$$，其中$X^o,X^p$分别表示原始和扰动后的输入的排列后的根因（按照重要性排列），可以理解为扰动后的输出的第$i$重要的根因出现在原始输入前$j$重要的根因的概率均值。

4. 文章亮点

  文章给出了一个中、英文双语的情感分类、文本相似度和阅读理解benchmark，相比于现存的benchmark，该benchmark满足充分性、紧致性和全面性。此外，为了更准确的评估模型可解释性，文章提出通过Token F1-score, MAP进行更准确、更全面的度量。

5. 原文传送门

[https://arxiv.org/pdf/2205.11097.pdf](A Fine-grained Interpretability Evaluation Benchmark for Neural NLP)